0
代码
代码
Issues
Pull Requests
讨论
Wiki
分析
0
ascend-robotascend-robotfix link validity
dd6fe347创建于 4月9日历史提交

Spnasnet_100 模型-推理指导

概述

SPNASNet_100是一个经典的图像分类网络，其自动的为移动端设备设计高精度低延时的网络，提出了单支路的神经架构搜索模型。新提出的架构可以在4小时内完成搜索，包括新的单支路搜索方法，利用共享卷积核参数将冗余参数化的卷积编码全部的架构决策空间，提高了搜索效率，实现了高精度

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
    actual_input_1 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 RGB_FP32 batchsize x 1000 NCHW

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 1.0.17 Pytorch框架推理环境准备
    CANN 6.0.RC1 -
    Python 3.7.5 -
    PyTorch 1.12.1 -
    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

  1. 获取本仓源码

  2. 安装第三方源码库（即安装 timm 库）

    git clone https://github.com/rwightman/pytorch-image-models.git
cd pytorch-image-models
git reset --hard 54a6cca27a9a3e092a07457f5d56709da56e3cf5
python3 -m pip install e .
cd ..

  3. 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）

    本模型使用ImageNet验证集进行推理测试 ，用户自行获取数据集后，将文件解压并上传数据集到任意路径下。数据集目录结构如下所示：

    imageNet/
|-- val
|   |-- ILSVRC2012_val_00000001.JPEG
|   |-- ILSVRC2012_val_00000002.JPEG
|   |-- ILSVRC2012_val_00000003.JPEG
|   ...
|-- val_label.txt
...

  2. 数据预处理，将原始数据集转换为模型的输入数据。

    执行 spnasnet_100_preprocess.py 脚本，完成数据预处理。

    python3 spnasnet_100_preprocess.py ${data_dir} ${save_dir}

    参数说明：

    • --data_dir：原数据集所在路径。
    • --save_dir：生成数据集二进制文件。

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。

      该权重文件由NPU训练得到，点击获取model_best.pth.tar。

    2. 导出onnx文件。

      1. 使用spnasnet_100_pthtar2onnx.py导出动态batch的onnx文件。

        python3 spnasnet_100_pthtar2onnx.py ${pthtar_file} ${onnx_file}

        参数说明：

        • --pthtar_file：权重文件。
        • --onnx_file：生成 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                            |
+===================+=================+======================================================+

    4. 执行ATC命令。

       # bs = [1, 4, 8, 16, 32, 64]
 atc --model=${onnx_file} --framework=5 --output=spnasnet_100_bs${bs} \
 --input-shape="actual_input_1:${bs},3,224,224" --log=error --soc_version=Ascend${chip_name}

      运行成功后生成spnasnet_100_bs${bs}.om模型文件。

      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。

  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。

      python3 -m ais_bench --model=spnasnet_100_bs${bs}.om  --batchsize=${bs} \
--input ${save_dir} --output result --output_dirname result_bs${bs} --outfmt TXT

      参数说明：

      • --model：om模型路径。
      • --batchsize：批次大小。
      • --input：输入数据所在路径。
      • --output：推理结果输出路径。
      • --output_dirname：推理结果输出子文件夹。
      • --outfmt：推理结果输出格式

  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，结果保存在result.json中。

    python3 spnasnet_100_postprocess.py ${result_dir} ${gt_file} result.json

    参数说明：

    • --result_dir：推理结果所在路径，这里为 ./result/result_bs${bs}。
    • --gt_file：真值标签文件val_label.txt所在路径。

  4. 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=spnasnet_100_bs${bs}.om --loop=500 --batchsize=${bs}

    参数说明：

    • --model：om模型路径。
    • --batchsize：批次大小。

模型推理性能&精度

调用ACL接口推理计算，spnasnet_100模型的性能和精度参考下列数据。

芯片型号 Batch Size 数据集 开源精度 精度指标1（Acc@1） 精度指标2（Acc@5）
300I Pro 1 ImageNet 链接 74.19% 91.95%
芯片型号 Batch Size 性能（FPS）
300I Pro 1 2507.43
300I Pro 4 6374.19
300I Pro 8 8408.12
300I Pro 16 6658.26
300I Pro 32 6063.94
300I Pro 64 5043.26