VGG19模型-推理指导

• 概述

  • 输入输出数据

• 推理环境准备

• 快速上手

  • 准备数据集
  • 模型推理

• 模型推理性能&精度

  ---

概述

VGGNet是牛津大学计算机视觉组（Visual Geometry Group）和Google DeepMind公司的研究员一起研发的深度卷积神经网络，它探索了卷积神经网络的深度与其性能之间的关系，通过反复堆叠 3*3 的小型卷积核和 2*2 的最大池化层，成功地构筑了16~19层深的卷积神经网络。VGGNet相比之前state-of-the-art的网络结构，错误率大幅下降，VGGNet论文中全部使用了 3*3 的小型卷积核和 2*2 的最大池化核，通过不断加深网络结构来提升性能。 VGG19包含了19个隐藏层（16个卷积层和3个全连接层）

• 参考实现：

  url=https://github.com/pytorch/vision/blob/master/torchvision/models/vgg.py
  branch=master
  commit_id=78ed10cc51067f1a6bac9352831ef37a3f842784
  

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
  input	RGB_FP32	batchsize x 3 x 224 x 224	NCHW

• 输出数据

  输出数据	数据类型	大小	数据排布格式
  output1	FLOAT32	batchsize x 1000	ND

推理环境准备

• 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	1.0.15	Pytorch框架推理环境准备
  CANN	5.1.RC2	-
  Python	3.7.13	-
  PyTorch	1.9.0	-
  说明：Atlas 300I Duo 推理卡请以CANN版本选择实际固件与驱动版本。	\	\

• 该模型需要以下依赖

  表 1 依赖列表

  依赖名称	版本
  torch	1.9.0
  torchvision	0.10.0
  onnx	1.9.0
  onnx-simplifier	0.3.6
  onnxruntime	1.8.0
  numpy	1.21.0
  Cython	0.29.25
  Opencv-python	4.5.4.60
  pycocotools	2.0.3
  Pytest-runner	5.3.1
  protobuf	3.20.0
  decorator	\

快速上手

获取源码

1. 获取VGG19源代码。

   安装 torchvision 包即可

2. 安装依赖。

   pip3 install -r requirements.txt
   

准备数据集

1. 获取原始数据集。（解压命令参考tar –xvf *.tar与 unzip *.zip）

   本模型支持ImageNet 50000张图片的验证集。以ILSVRC2012为例，请用户需自行获取ILSVRC2012数据集，上传数据集到服务器任意目录并解压（假设 dataset_dir=/home/HwHiAiUser/dataset）。本模型将使用到ILSVRC2012_img_val.tar验证集及ILSVRC2012_devkit_t12.gz中的val_label.txt数据标签。

   数据目录结构请参考：

   |-- dataset
     |-- ILSVRC2012_val_00000001.JPEG
     |-- ILSVRC2012_val_00000002.JPEG
     |-- ILSVRC2012_val_00000003.JPEG
     |-- ...
   

2. 数据预处理。

   将原始数据集转换为模型输入的二进制数据。执行“VGG19_preprocess.py”脚本。

   python VGG19_preprocess.py ${dataset_dir} ./prep_dataset
   

   • 参数说明
     • ${datasets_path}：原始数据验证集（.jpeg）所在路径
     • ./prep_dataset：输出的二进制文件（.bin）所在路径

   每个图像对应生成一个二进制bin文件，一个附加信息文件。

模型推理

1. 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。

   1. 获取权重文件。

      从源码包中获取权重文件：“vgg19-dcbb9e9d.pth” 或者通过下载链接

   2. 导出onnx文件。

      使用 VGG19_pth2onnx.py 导出onnx文件。

      python3 VGG19_pth2onnx.py --pth_path=./vgg19-dcbb9e9d.pth --out=./VGG19.onnx
      

      获得 VGG19.onnx 文件。

   3. 使用ATC工具将ONNX模型转OM模型。

      1. 配置环境变量。

         source /usr/local/Ascend/ascend-toolkit/set_env.sh
         

      2. 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                            |
         +===================+=================+======================================================+
         

      3. 执行ATC命令。

      # 这里以batchsize=1为例说明
      atc --framework=5 \
          --model=./VGG19.onnx \
          --output=VGG19_bs1 \
          --input_format=NCHW \
          --input_shape="actual_input_1:1,3,224,224" \
          --log=error \
          --soc_version=Ascend${chip_name}
      

      • 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。

        运行成功后生成VGG19_bs1.om模型文件。

2. 开始推理验证。

   1. 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。

   2. 执行推理。

      python -m ais_bench \
            --model ./VGG19_bs1.om \
            --input ./prep_dataset \
            --output ./VGG19out/ \
            --outfmt TXT \
            --batchsize 1
      

      • 参数说明：

        • --model：om文件路径。
        • --input：预处理完的数据集文件夹
        • --output：推理结果保存地址
        • --outfmt：推理结果保存格式
        • --batchsize：batchsize大小

      推理后的输出在 --output 所指定目录下。

   3. 精度验证。

   调用脚本与数据集标签 val_label.txt 比对，可以获得Accuracy数据。

   python vgg19_postprocess.py \
         --gtfile=./val_label.txt \
         --result_path=./VGG19out/2022_xx_xx-xx_xx_xx/sumary.json
   

   • 参数说明：
     • --result_path：生成推理结果summary.json所在路径。
     • --gtfile_path：标签val_label.txt所在路径

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。

精度参考下列数据:

	top1_acc	top5_acc
300I PRO	0.7176	0.9080
A500 A2	0.7176	0.9080

性能参考下列数据:

	300I PRO	A500 A2
bs1	419.18	97.47
bs4	855.93	163.6
bs8	970.49	186.89
bs16	1142.91	201.26
bs32	1093.61	208.05
bs64	1153.01	210.34
最优batch	1153.01	210.34