M2Det ONNX模型端到端推理指导
概述
特征金字塔被广泛应用于目标检测中(one-stage的DSSD、RetinaNet、RefineDet和two-stage的Mask R-CNN、DetNet)，主要解决物体检测中的目标多尺度问题。M2Det构建了更加高效的特征金字塔，以提高不同尺寸目标的检测准确率。M2Det抽取了主干特征，对特征进行各种融合、操作，提取出金字塔，尺度有大有小在金字塔上进行检测。
-
参考论文：M2Det: A Single-Shot Object Detector based on Multi-Level Feature Pyramid Network
-
参考实现：
url=https://github.com/qijiezhao/M2Det branch=master commit_id=de4a6241bf22f7e7f46cb5cb1eb95615fd0a5e12
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 image RGB_FP32 batchsize x 3 x 512 x 512 NCHW -
输出数据
输出数据 大小 数据类型 数据排布格式 boxes (batchsize x 32760) x 81 FLOAT32 ND scores batchsize x 32760 x 4 FLOAT32 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 | 6.0.RC1 | - |
| Python | 3.7.5 | - |
| PyTorch | 1.8.1 | - |
| 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
-
获取源码。
git clone https://github.com/qijiezhao/M2Det cd M2Det git reset --hard de4a6241bf22f7e7f46cb5cb1eb95615fd0a5e12 patch -p1 < ../M2Det.patch sh make.sh mkdir weights mkdir logs mkdir eval cd .. mkdir result -
安装依赖。
pip3.7.5 install -r requirements.txt
准备数据集
-
获取原始数据集。 本模型支持coco2017 5000张图片的验证集。 用户需自行获取数据集，将instances_val2017.json文件和val2017文件夹解压并上传数据集到服务器任意文件夹。 coco2017验证集所需文件目录参考（只列出该模型需要的目录）。
数据集目录结构如下:
|-- coco2017 // 验证数据集 |-- instances_val2017.json //验证集标注信息 |-- val2017 // 验证集文件夹 -
数据预处理。
将原始数据转化为二进制文件（.bin）。
执行M2Det_preprocess.py脚本，生成数据集预处理后的bin文件，存放在当前目录下的pre_dataset文件夹中。
python3.7.5 M2Det_preprocess.py --config=./M2Det/configs/m2det512_vgg.py --save_folder=pre_dataset --COCO_imgs=${coco2017_path} --COCO_anns=${coco2017_path}- 参数说明
- --config：模型配置文件。
- --save_folder：预处理后的数据文件保存路径。
- --COCO_imgs：数据集images存放路径。
- --COCO_anns：数据集标注信息存放路径。
执行gen_dataset_info.py脚本，生成原始图片数据集的info文件，包括了路径和shape。
python3.7.5 gen_dataset_info.py jpg ${coco2017_path}/val2017 coco_images.info- 参数说明
- jpg：输入文件类型，不需要修改。
- ${coco2017_path}/val2017：数据集images存放路径。
- coco_images.info：预处理后的数据集info文件保存路径。
- 参数说明
模型推理
-
模型转换。
使用PyTorch将模型权重文件.pth转换为.onnx文件，再使用ATC工具将.onnx文件转为离线推理模型文件.om文件。
-
获取权重文件。
从ModelZoo的源码包中获取m2det512_vgg.pth、vgg16_reducedfc.pth权重文件m2det512_vgg.pth， vgg16_reducedfc.pth, 放在目录M2Det/weights下。
-
导出onnx文件。
-
使用M2Det_pth2onnx.py导出onnx文件。
运行M2Det_pth2onnx.py脚本。
python3.7.5 M2Det_pth2onnx.py --c=./M2Det/configs/m2det512_vgg.py --pth=./M2Det/weights/m2det512_vgg.pth --onnx=m2det512.onnx获得m2det512.onnx文件。
- 参数说明：
- --c：配置文件。
- --pth：权重文件。
- --onnx：输出文件名称。
- 参数说明：
-
-
使用ATC工具将ONNX模型转OM模型
-
配置环境变量。
source /usr/local/Ascend/ascend-toolkit/set_env.sh说明： 该脚本中环境变量仅供参考，请以实际安装环境配置环境变量。详细介绍请参见《CANN 开发辅助工具指南 (推理)》。
-
执行命令查看芯片名称（${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 | +===================+=================+======================================================+ -
执行ATC命令。
使用atc将onnx模型转换为om模型文件，工具使用方法可以参考《CANN 开发辅助工具指南 (推理)》。生成转换batch size为4的om模型的命令如下，对于其他的batch size，可作相应的修改。
atc --framework=5 --model=m2det512.onnx --input_format=NCHW --input_shape="image:4,3,512,512" --output=m2det512_bs4 --log=debug --soc_version=Ascend${chip_name} --out_nodes="Softmax_1234:0;Reshape_1231:0"- 参数说明：
- --framework：5代表ONNX模型。
- --model：为ONNX模型文件。
- --input_format：输入数据的格式。
- --input_shape：输入数据的shape。
- --output：输出的OM模型。
- --log：日志级别。
- --soc_version：处理器型号。
- --out_nodes: 指定输出节点。指定的输出节点必须放在双引号中，节点中间使用英文分号分隔。node_name必须是模型转换前的网络模型中的节点名称，冒号后的数字表示第几个输出，例如node_name1:0，表示节点名称为node_name1的第1个输出。 当选择的torch版本不同是可能会改变算子序号，如果torch不同请查看对应onnx文件算子进行相应的修改。
注：若atc执行出错，错误代码为E10016，请使用Netron工具查看对应Reshape节点和Softmax节点，并修改out_nodes参数。
运行成功后生成m2det512_bs4.om模型文件。
- 参数说明：
-
-
-
开始推理验证。
-
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。
-
执行推理。
python3.7.5 -m ais_bench --model m2det512_bs4.om --batchsize 4 --input ./pre_dataset --output ./result --outfmt "BIN" --device 0-
参数说明：
- --model: 需要进行推理的om离线模型文件。
- --batchsize: 模型batchsize。
- --input: 模型需要的输入，指定输入文件所在的目录即可。
- --output: 推理结果保存目录。结果会自动创建”日期+时间“的子目录，保存输出结果。可以使用--output_dirname参数，输出结果将保存到子目录output_dirname下。
- --outfmt: 输出数据的格式。设置为"BIN"用于后续精度验证。
- --device: 指定NPU运行设备。取值范围为[0,255]，默认值为0。
推理后的输出默认在当前目录result下。
-
-
精度验证。
调用M2Det_postprocess.py脚本，可以获得Accuracy数据，精度结果保存在result/detection-results_0/COCO/detections_val2017_results.json。
python3.7.5 M2Det_postprocess.py --bin_data_path=./result/2023_01_08-22_37_53/ --bin_summary_path=./result/2023_01_08-22_37_53_summary.json --test_annotation=coco_images.info --det_results_path==result/detection-results_0_bs4 --net_out_num=2 --prob_thres=0.1 --COCO_imgs=/opt/npu/coco2017/val2017 --COCO_anns=/opt/npu/coco2017/annotations --is_ais_infer- 参数说明：
- --bin_data_path：推理结果所在路径（根据具体的推理结果进行修改）。
- --bin_summary_path: 推理结果summary.json文件所在路径（根据具体的推理结果进行修改）。
- --test_annotation：验证集数据信息。
- --det_results_path=：生成结果文件。
- --net_out_num：网络输出类型个数（此处为score,box，2个）。
- --prob_thres：参数阈值。
- --COCO_imgs：coco数据集images路径。
- --COCO_anns：coco数据集annotations路径。
- --is_ais_infer：使用ais_bench推理工具。
- 参数说明：
-
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：
python3.7.5 -m ais_bench --model m2det512_bs4.om --batchsize 4 --output ./result --loop 1000 --device 0- 参数说明：
- --model：需要进行推理的om模型。
- --batchsize：模型batchsize。不输入该值将自动推导。当前推理模块根据模型输入和文件输出自动进行组batch。参数传递的batchszie有且只用于结果吞吐率计算。请务必注意需要传入该值，以获取计算正确的吞吐率。
- --output: 推理结果输出路径。默认会建立"日期+时间"的子文件夹保存输出结果。
- --loop: 推理次数。默认值为1，取值范围为大于0的正整数。
- --device: 指定NPU运行设备。取值范围为[0,255]，默认值为0。
- 参数说明：
-
模型推理性能&精度
调用ACL接口推理计算，精度和性能参考下列数据。
| 芯片型号 | Batch Size | 数据集 | 精度 | 性能 |
|---|---|---|---|---|
| 300I Pro | 1 | ImageNet | 37.8% | 45.349 |
| 300I Pro | 4 | ImageNet | 37.8% | 65.976 |
| 300I Pro | 8 | ImageNet | 37.8% | 62.795 |
| 300I Pro | 16 | ImageNet | 37.8% | 62.974 |
| 300I Pro | 32 | ImageNet | 37.8% | 60.897 |
| 300I Pro | 64 | ImageNet | 37.8% | 56.011 |