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

CenterNet模型-推理指导

概述

CenterNet 是在 2019 年提出的用于目标检测的模型，相比传统依靠 anchors的检测网络，CenterNet 是一种 anchor-free 的目标检测网络，其输出主要为heatmap，获取该热力图分布的中心点即作为目标的中心点。而目标的其他输出，如尺寸和偏移量等则通过在特征图中通过回归得到，这种方法原理简单，兼容性强，在速度和精度上都比较有优势。

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 512 x 512 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 80 x 128 x 128 ND
    output2 FLOAT32 batchsize x 2 x 128 x 128 ND
    output3 FLOAT32 batchsize x 2 x 128 x 128 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 22.0.2 Pytorch框架推理环境准备
    CANN 5.1.RC2 -
    Python 3.7.5 -

快速上手

获取源码

  1. 安装依赖。

    pip install -r requirements.txt

  2. 获取源码并安装。

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

 git clone https://github.com/xingyizhou/CenterNet
 cd CenterNet/src/lib/models/networks
 rm -r DCNv2
 rm -r pose_dla_dcn.py
 git clone https://github.com/jinfagang/DCNv2_latest.git
 mv DCNv2_latest DCNv2
 cd DCNv2
 rm -r dcn_v2.py
 cd ../../../../../../
 mv dcn_v2.py CenterNet/src/lib/models/networks/DCNv2
 mv pose_dla_dcn.py DCNv2.patch CenterNet/src/lib/models/networks

 cd CenterNet/src/lib/external
 make
 cd ../models/networks/DCNv2
 python setup.py build develop
 cd ../../../../../../
 export PYTHONPATH=./CenterNet/src/:$PYTHONPATH

  3. 在编译可变形卷积的时候可能出现编译不成功的情况，如果出现下面这类错误，通过打补丁的形式修改相应文件。

    error: ‘TORCH_CHECK_ARG’ was not declared in this scope
error: command '/usr/bin/g++' failed with exit code 1

    1）cd到CenterNet/src/lib/models/networks目录下，执行以下命令打补丁

    patch -p0 < DCNv2.patch

    2） 最后再重新执行python setup.py build develop进行编译，即可成功

准备数据集

  1. 获取原始数据集。

    获取COCO数据集：coco2017，下载其中val2017图片及其标注文件（2017 Val images，2017 Train/Val annotations），放入CenterNet/data/coco/路径下，val2017目录存放coco数据集的验证集图片，“annotations”目录存放coco数据集的“instances_val2017.json”。目录结构如下：

    CenterNet
├── data
│   ├── coco
│   │   ├── annotations
│   │   ├── val2017

  2. 数据预处理，将原始数据集转换为模型输入的数据。

    执行CenterNet_preprocess.py脚本，完成预处理。

    python CenterNet_preprocess.py data/coco/val2017 prep_dataset

    参数说明：

    • data/coco/val2017: 原始数据验证集所在路径。
    • prep_dataset: 输出的二进制文件保存路径。

    运行成功后，生成“prep_dataset”文件夹，prep_dataset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。放在当前目录下 ctdet_coco_dla_2x.pth 提取码：d446

    2. 导出onnx文件。

      使用ctdet_coco_dla_2x.pth导出onnx文件。

      在CenterNet根目录下，运行CenterNet_pth2onnx.py脚本。

      python CenterNet_pth2onnx.py ctdet_coco_dla_2x.pth CenterNet.onnx

      获得CenterNet.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. 执行ATC命令。

        atc --framework=5 --model=CenterNet.onnx  --output=CenterNet_bs1 --input_format=NCHW --input_shape="actual_input:1,3,512,512" --out_nodes="Conv_1120:0;Conv_1123:0;Conv_1126:0" --log=info --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 CenterNet_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 CenterNet_bs1.om --input prep_dataset --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. 精度验证。

      在CenterNet根目录下，执行脚本CenterNet_postprocess_s1.py

      mkdir save
python CenterNet_postprocess_s1.py --bin_data_path=./result/dumpout_bs1/  --dataset=./data

      然后执行执行脚本CenterNet_postprocess_s2.py 获得模型精度信息

      python CenterNet_postprocess_s2.py --dataset=./data

      • 参数说明：

        • --bin_data_path：推理结果文件路径
        • --dataset: 原始数据集路径

    4. 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=${om_model_path} --loop=20 --batchsize=${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 A500 A2
1 COCO2017 36.4 32.1448 6.743
4 COCO2017 - 34.1512 6.61
8 COCO2017 - 33.0343 6.72
16 COCO2017 - 33.6273 6.6
32 COCO2017 - 31.8843 6.65
最优性能 34.1512 6.743

备注：

1.原官网pth精度 AP : 37.4 是在线推理时keep_res(保持分辨率)的结果，但由于离线推理需要固定shape，故需要去掉keep_res(保持分辨率)。去掉keep_res(保持分辨率)后，跑在线推理精度评估得到 AP : 36.6 ，故以 AP : 36.6 作为精度基准

2.onnx因包含npu自定义算子dcnv2而不能推理，故使用在线推理测试性能

3.原模型在线推理中仅实现batchsize=1的精度测试和性能测试

公网地址说明

代码涉及公网地址参考 public_address_statement.md