TimeSformer模型-推理指导
概述
TimeSformer论文提出了一种无卷积的视频分类方法，该方法专门基于名为“TimeSformer”的空间和时间上的自注意力而构建，通过直接从一系列帧级块中启用时空特征学习，将标准的Transformer体系结构应用于视频，使得它能够捕捉到整段视频中的时空依赖性。
-
参考实现：
url=https://github.com/open-mmlab/mmaction2/tree/master/configs/recognition/timesformer branch=master commit_id=f58e10d0d6789f135f8ae5028cc982a299d8badd model_name=timesformer_divST_8x32x1_15e_kinetics400_rgb
输入输出数据
-
输入数据
输入数据 数据类型 大小 数据排布格式 imgs float32 1 x 3 x 3 x 8 x 224 x 224 ND -
输出数据
输出数据 大小 数据类型 数据排布格式 result 3 x 400 float32 ND
推理环境准备[所有版本]
-
该模型需要以下插件与驱动
表 1 版本配套表
| 配套 | 版本 | 环境准备指导 |
|---|---|---|
| 固件与驱动 | 22.0.2 | Pytorch框架推理环境准备 |
| CANN | 5.1.RC2 | - |
| Python | 3.7.5 | - |
| PyTorch | 1.7.1 | - |
| 说明：Atlas 300I Duo 推理卡请以CANN版本选择实际固件与驱动版本。 | \ | \ |
快速上手
获取源码
-
获取源码。
git clone https://github.com/open-mmlab/mmaction2.git -
安装依赖。
pip3 install -r requirements.txt cd mmaction2 pip3 install mmcv-full==1.5.3 -f https://download.openmmlab.com/mmcv/dist/cpu/torch1.7.0/index.html pip3 install -r requirements/build.txt pip3 install -v -e . cd .. -
应用补丁，修改模型代码。
patch -p1 < TimeSformer.patch
准备数据集
-
获取原始数据集。
软链接下载好的数据集到 mmaction2 文件夹中的相应位置处
mkdir -p mmaction2/data/kinetics400/annotations/ ln -s ${data_path}/kinetics-dataset/k400/annotations/test.csv mmaction2/data/kinetics400/annotations/kinetics_test.csv ln -s ${data_path}/kinetics-dataset/k400/annotations/val.csv mmaction2/data/kinetics400/annotations/kinetics_val.csv ln -s ${data_path}/kinetics-dataset/k400/annotations/train.csv mmaction2/data/kinetics400/annotations/kinetics_train.csv ln -s ${data_path}/kinetics-dataset/k400/val/ mmaction2/val进入mmaction2文件夹，将数据集视频做抽帧处理
cd mmaction2 python3 tools/data/build_rawframes.py val data/kinetics400/rawframes_val/ --level 1 --ext mp4 --task rgb --new-short 320 --use-opencv python3 tools/data/build_file_list.py kinetics400 data/kinetics400/rawframes_val/ --level 1 --format rawframes --num-split 1 --subset val --shuffle cd .. -
数据预处理。
数据预处理将原始数据集转换为模型输入的数据。
执行TimeSformer_preprocess.py脚本，完成预处理。
python3 TimeSformer_preprocess.py预处理后的bin文件在./out_bin，info文件为
k400.info参数说明：
${data_path}/kinetics-dataset/k400/val：验证集路径
./out_bin：预处理后的 bin 文件存放路径，每个图像对应生成一个二进制文件。
模型推理
-
模型转换。
使用PyTorch将模型权重文件.pth转换为.onnx文件，再使用ATC工具将.onnx文件转为离线推理模型文件.om文件。
-
获取权重文件。
将权重文件下载到本地后上传到当前工作目录。
wget https://download.openmmlab.com/mmaction/recognition/timesformer/timesformer_divST_8x32x1_15e_kinetics400_rgb/timesformer_divST_8x32x1_15e_kinetics400_rgb-3f8e5d03.pth -
导出onnx文件。
-
使用模型代码仓pth2onnx导出onnx文件。
运行pth2onnx脚本。
python3 mmaction2/tools/deployment/pytorch2onnx.py mmaction2/configs/recognition/timesformer/timesformer_divST_8x32x1_15e_kinetics400_rgb.py timesformer_divST_8x32x1_15e_kinetics400_rgb-3f8e5d03.pth --shape 1 3 3 8 224 224 --verify --output-file tsf.onnx获得tsf.onnx文件。
-
优化ONNX文件。
python3 -m onnxsim --input-shape="1,3,3,8,224,224" tsf.onnx tsf_sim.onnx获得tsf_sim.onnx文件。
-
-
使用ATC工具将ONNX模型转OM模型。
-
配置环境变量。
source /usr/local/Ascend/ascend-toolkit/set_env.sh说明： 该脚本中环境变量仅供参考，请以实际安装环境配置环境变量。详细介绍请参见《CANN 开发辅助工具指南 (推理)》。
-
执行命令查看芯片名称（${chip_name}）。
npu-smi info #该设备芯片名为Ascend310P3 （自行替换） 回显如下： +-------------------+-----------------+------------------------------------------------------+ | NPU Name | Health | Power(W) Temp(C) Hugepages-Usage(page) | | Chip Device | Bus-Id | AICore(%) Memory-Usage(MB) | +===================+=================+======================================================+ | 0 310P3 | OK | 15.8 42 0 / 0 | | 0 0 | 0000:82:00.0 | 0 1074 / 21534 | +===================+=================+======================================================+ | 1 310P3 | OK | 15.4 43 0 / 0 | | 0 1 | 0000:89:00.0 | 0 1070 / 21534 | +===================+=================+======================================================+ -
执行ATC命令。
atc --framework=5 \ --model=tsf_sim.onnx \ --output=tsf \ --input_format=ND \ --input_shape="imgs:1,3,3,8,224,224" \ --log=error \ --soc_version=Ascend${chip_name} \ --op_select_implmode=high_performance \ --optypelist_for_implmode="Gelu"-
参数说明：
- --model：为ONNX模型文件。
- --framework：5代表ONNX模型。
- --output：输出的OM模型。
- --input_format：输入数据的格式。
- --input_shape：输入数据的shape。
- --log：日志级别。
- --soc_version：处理器型号。
- --op_select_implmode：设置网络模型中所有算子为高性能实现。
- --optypelist_for_implmode：列举算子optype的列表。
运行成功后生成tsf.om模型文件。
-
-
-
-
开始推理验证。
a. 安装ais_bench推理工具。
请访问ais_bench推理工具代码仓，根据readme文档进行工具安装。
b. 执行推理。
# 创建 result 文件夹，存放推理结果文件 mkdir result # 推理 python3 -m ais_bench --model ./tsf.om --input ./out_bin --output ./result --outfmt TXT-
参数说明：
- --model：om文件路径。
- --input：输入名及文件路径。
- --output：输出路径。
- --outfmt：输出文件格式。
推理后的输出默认在当前目录result下。
c. 精度验证。
调用脚本与数据集标签k400.info比对。
python3 TimeSformer_postprocess.py --result_path ./result/2022_xx_xx-xx_xx_xx/ --info_path=k400.info- 参数说明：
./result/2022_xx_xx-xx_xx_xx/中的 2022_xx_xx-xx_xx_xx 为 ais_bench 自动生成的目录名。k400.info为数据预处理时生成的info文件
d. 性能验证。
可使用ais_bench推理工具的纯推理模式验证不同batch_size的om模型的性能，参考命令如下：
python3 -m ais_bench \ --model=./tsf.om \ --loop 50 -
模型推理性能&精度
调用ACL接口推理计算，性能参考下列数据。
| 芯片型号 | Batch Size | 数据集 | 精度 | 性能 |
|---|---|---|---|---|
| 300I Pro | 1 | Kinetics400 | top1 acc= 77.68 | 7.53 fps |
注：模型只支持bs1