0
代码
代码
Issues
Pull Requests
讨论
Wiki
分析
0
Ii-robot!6847 [PyTorch离线推理]资料整改，替换芯片名称
291a976e创建于 2024年11月26日历史提交

CenterFace模型-推理指导

概述

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 800 x 800 NCHW

  • 输出数据

    输出数据 数据类型 大小 数据排布格式
    output1 FLOAT32 1 x 40000 ND
    output2 FLOAT32 1 x 80000 ND
    output3 FLOAT32 1 x 80000 ND
    output4 FLOAT32 1 x 400000 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 1.0.17（NPU驱动固件版本为6.0.RC1） Pytorch框架推理环境准备
    CANN 6.0.RC1 -
    Python 3.7.5 -

快速上手

获取源码

  1. 获取源码。

    git clone https://gitee.com/Levi990223/center-face.git

  2. 整理代码结构

    mv centerface_pth_preprocess.py centerface_pth_postprocess.py convert.py pth2onnx.py aipp_centerface.aippconfig ./center-face/src

准备数据集

  1. 获取原始数据集。

    获取WIDER_FACE数据集，在center-face目录下创建一个data目录，然后将下载下来的图片数据放在这个data目录下。目录结构如下：

    center-face
├── data
│   ├── img1
│   |  ├── img.jpg
│   ├── img2
│   |  ├── img.jpg
│   ├── img3
│   |  ├── img.jpg

  2. 获取权重文件model_best.pth。放在center-face/src/目录下。

  3. 数据预处理，将原始数据集转换为模型输入的数据。

    1. 在center-face/src路径下，执行以下命令编译nms。

      cd lib/external/
python setup.py build_ext --inplace
cd ../../

    2. 执行centerface_pth_preprocess.py脚本，完成预处理。

      python centerface_pth_preprocess.py ../data ../after_images/
      • 参数说明：
        • ../data: 原始数据验证集所在路径。
        • ../after_images/: 输出的二进制文件保存路径。

      运行成功后，生成after_images文件夹，after_images目录下生成的是供模型推理的bin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model_best.pth。

    2. 导出onnx文件。

      使用pth2onnx.py导出onnx文件。将pth2onnx.py移动到center-face/src/lib目录下

      在center-face/src/lib目录下，运行pth2onnx.py脚本。

      python pth2onnx.py

      在目录center-face/src下，获得 CenterFace.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
source /etc/profile

      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. 切换目录到center-face/src下，执行ATC命令。

        atc --framework=5 --model=CenterFace.onnx --input_format=NCHW --input_shape="image:1,3,800,800" --output=CenterFace_bs1 --log=debug --soc_version=${chip_name} --enable_small_channel=1 --insert_op_conf=aipp_centerface.aippconfig

        • 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CenterFace_bs1.om模型文件。

  2. 开始推理验证。

    1. 安装ais_bench推理工具。

      ais_bench推理工具获取及使用方式请点击查看 ais_bench 推理工具使用文档

    2. 执行推理。

      python -m ais_bench --model CenterFace_bs1.om --input ../after_images/ --output result --output_dirname dumpout_bs1 --batchsize 1

      • 参数说明：

        • --model：om模型的路径。
        • --input：输入模型的二进制文件路径。
        • --output：推理结果输出目录。
        • --output_dirname：推理结果输出的二级目录名。
        • --batchsize：输入数据的batchsize。

      推理后的输出在当前目录result下。

    3. 处理目录result/dumpout_bs1下的bin文件，将该目录下的文件分类别存放，以便于后处理。

      在center-face/src目录下，执行convert.py文件

      mkdir result/result
python convert.py ./result/dumpout_bs1/ ./result/result

    4. 精度验证。

      在center-face/src目录下，调用脚本centerface_pth_postprocess.py进行推理结果的后处理。需要将center-face/evaluate/groud_truth路径下的wider_face_val.mat拷贝至center-face/src路径下

      1. 执行后处理脚本

        python centerface_pth_postprocess.py

      2. 在center-face/evaluate目录下，执行以下命令编译bbox。

        python setup.py build_ext --inplace

      3. 精度验证。在center-face/evaluate目录下，执行evaluation.py文件进行精度验证。

        python evaluation.py

    5. 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：

      python -m ais_bench --model=CenterFace_bs1.om --loop=20 --batchsize=${batch_size}
      • 参数说明：
        • --model：om模型的路径
        • --batchsize：数据集batch_size的大小

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。

Batch Size 数据集 精度 300I Pro性能 A500 A2性能
1 widerface hard：74.55%
easy：92.24%
Medium：91.02%		 439.9085 95.07
4 widerface hard：74.55%
easy：92.24%
Medium：91.02%		 412.4094 89.12
8 widerface hard：74.55%
easy：92.24%
Medium：91.02%		 375.9275 80.14
16 widerface hard：74.55%
easy：92.24%
Medium：91.02%		 369.6435 78.56
32 widerface hard：74.55%
easy：92.24%
Medium：91.02%		 371.7701 78.24
最优性能 439.9085 95.07