EfficientDetD0模型-推理指导

• 概述

  • 输入输出数据

• 推理环境准备

• 快速上手

  • 获取源码
  • 准备数据集
  • 模型推理

• 模型推理性能&精度

  ---

概述

EfficientDet是在EfficientNet基础上提出来的目标检测模型，它将EfficientNet主干网络、级联的双向特征金字塔网络(bi-directional feature pyramid network,BiFPN)和联合缩放方法结合，可以快速高效完成目标检测，且检测准确率较高，同时网络参数量较之主流检测模型大幅减少，检测速度也得到了很大提升，是目前最先进的目标检测算法之一。

• 参考实现：

  url=https://github.com/rwightman/efficientdet-pytorch.git
  commit_id=c5b694aa34900fdee6653210d856ca8320bf7d4e
  model_name=EfficientDetD0
  

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
  output0	FLOAT32	batchsize x 810 x 64 x 64	NCHW
  output1	FLOAT32	batchsize x 810 x 32 x 32	NCHW
  output2	FLOAT32	batchsize x 810 x 16 x 16	NCHW
  output3	FLOAT32	batchsize x 810 x 8 x 8	NCHW
  output4	FLOAT32	batchsize x 810 x 4 x 4	NCHW
  output5	FLOAT32	batchsize x 36 x 64 x 64	NCHW
  output6	FLOAT32	batchsize x 36 x 32 x 32	NCHW
  output7	FLOAT32	batchsize x 36 x 16 x 16	NCHW
  output8	FLOAT32	batchsize x 36 x 8 x 8	NCHW
  output9	FLOAT32	batchsize x 36 x 4 x 4	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	22.0.2	Pytorch框架推理环境准备
  CANN	6.0.RC1	-
  Python	3.7.5	-
  PyTorch	1.8.0	-
  说明：Atlas 300I Duo 推理卡请以CANN版本选择实际固件与驱动版本。	\	\

快速上手

获取源码

1. 获取源码。

   git clone https://github.com/rwightman/efficientdet-pytorch.git  
   cd efficientdet-pytorch  
   git reset --hard c5b694aa34900fdee6653210d856ca8320bf7d4e
   patch -p1 < ../effdet.patch
   cd ..
   

2. 安装依赖。

   pip 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coco2017验证集和对应的标注文件。解压并上传数据集到源码包路径下。目录结构如下：

   coco_data
   ├──val2017
   ├── annotations
      ├── instances_val2017.json
   

2. 数据预处理，将原始数据集转换为模型输入的数据。

   执行EfficientDetD0_preprocess.py脚本，完成预处理。

   python EfficientDetD0_preprocess.py --root=coco_data --bin-save=bin_save 
   

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。

      请在本项目下下载 pth文件。

   2. 导出onnx文件。

      1. 使用EfficientDetD0_pth2onnx.py导出onnx文件。

         运行EfficientDetD0_pth2onnx.py脚本。

         python EfficientDetD0_pth2onnx.py --checkpoint=d0.pth --out=d0.onnx 
         

         获得d0.onnx文件。

      2. 优化ONNX文件，安装auto_optimizer模块。

           python -m onnxsim d0.onnx d0_sim.onnx
         python modify.py --model=d0_sim.onnx --out=d0_m.onnx
         

         获得d0_m.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。

         atc --framework=5 \
         	--model=d0_m.onnx \
         	--output=d0_bs${bs} \
         	--input_format=NCHW \
         	--input_shape="x.1:${bs},3,512,512" \
         	--log=debug \
         	--soc_version=Ascend${chip_name} \
         	--precision_mode=allow_mix_precision \
         	--modify_mixlist=ops_info.json  
         

         • 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。
           • --precision_mode：精度模式。
           • --modify_mixlist：指定精度的算子配置。

           运行成功后生成d0_bs${bs}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=d0_bs${bs}.om --input=./bin_save --batchsize=${batch_size} --output=./ --output_dirname=./result  
      

      • 参数说明：

        • --model：om模型文件。
        • --input：预处理数据
        • --output：推理数据保存路径
        • --output_dirname：推理数据保存目录
        • --batchsize：batchsize大小

   3. 精度验证。

      调用脚本postprocess.py预测精度

       python postprocess.py --root=./coco_data --omfile=./result
      

      • 参数说明：
        • root：数据集路径
        • omfile：推理结果保存路径

   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=d0_bs${bs}.om --loop=100 --batchsize=${batch_size}
      

      • 参数说明：
        • model：om模型路径
        • batchsize：batchsize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。

芯片型号	数据集	精度
300I Pro	coco	33.4%
A500 A2	coco	33.4%

Batch Size	300I Pro	A500 A2
1	124	71.21
4	260	64.3
8	256	64.42
16	250	64.75
32	241	64.64
64	238	54.31
最优性能	260	71.21

公网地址说明

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