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

SSD模型-推理指导

概述

SSD将detection转化为regression的思路，可以一次完成目标定位与分类。该算法基于Faster RCNN中的Anchor，提出了相似的Prior box；该算法修改了传统的SSD网络：将SSD的FC6和FC7层转化为卷积层，去掉所有的Dropout层和FC8层。同时加入基于特征金字塔的检测方式，在不同感受野的feature map上预测目标。

  • 参考实现：

    url=https://github.com/open-mmlab/mmdetection.git
branch=master
commit_id=a21eb25535f31634cef332b09fc27d28956fb24b
model_name=ssd

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 300 x 300 NCHW

  • 输出数据

    输出数据 数据类型 大小 数据排布格式
    boxes FLOAT32 batchsize x 8732 x 4 ND
    labels FLOAT32 batchsize x 8732 x 80 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 1.0.15 Pytorch框架推理环境准备
    CANN 5.1.RC2 -
    Python 3.7.13 -
    PyTorch 1.9.0 -
    说明：Atlas 300I Duo 推理卡请以CANN版本选择实际固件与驱动版本。 \ \

  • 该模型需要以下依赖

    表 1 依赖列表

    依赖名称 版本
    torch 1.8.1
    torchvision 0.9.1
    onnx 1.7.0
    onnxruntime 1.12.0
    numpy 1.21.6
    Opencv-python 4.2.0.34
    mmpypycocotools 12.0.3
    mmcv-full 1.2.7
    mmdet 2.8.0
    protobuf 3.20.0
    decorator \

快速上手

获取源码

  1. 获取SSD源代码并修改mmdetection。

    git clone https://github.com/open-mmlab/mmdetection.git
cd mmdetection
git reset --hard a21eb25535f31634cef332b09fc27d28956fb24b
patch -p1 < ../ssd_mmdet.diff
pip install -v -e .
cd ..

  2. 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）

    推理数据集采用 coco_val_2017，数据集下载后存放路径：dataset=/root/datasets/coco

    目录结构：

    ├── coco
│    ├── 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二进制数据。执行 ssd_preprocess.py 脚本。

    python ssd_preprocess.py \
       --image_folder_path $dataset/val2017 \
       --bin_folder_path val2017_ssd_bin

    • 参数说明：

      • --image_folder_path：原始数据验证集（.jpg）所在路径。
      • --bin_folder_path：输出的二进制文件（.bin）所在路径。

    每个图像对应生成一个二进制文件。

  3. 生成数据集info文件。

    运行 get_info.py 脚本，生成图片数据info文件。

    python get_info.py jpg $dataset/val2017 coco2017_ssd_jpg.info

    • 参数说明：

      • 第一个参数：生成的数据集文件格式。
      • 第二个参数：预处理后的数据文件相对路径。
      • 第三个参数：生成的info文件名。

    运行成功后，在当前目录中生成 coco2017_ssd_jpg.info。

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。

      获取经过训练的权重文件：ssd300_coco_20200307-a92d2092.pth

    2. 导出onnx文件。

      使用pytorch2onnx.py导出onnx文件。

      python mmdetection/tools/pytorch2onnx.py \
        mmdetection/configs/ssd/ssd300_coco.py \
        ./ssd300_coco_20200307-a92d2092.pth \
        --output-file=ssd300_coco_dynamic_bs.onnx \
        --shape=300 \
        --mean 123.675 116.28 103.53 \
        --std 1 1 1

      • 参数说明：

        • --output-file：为ONNX模型文件。
        • --shape：输入的图片大小。
        • --mean：输入数据预处理均值。
        • --std：输入数据预处理方差。

      获得 ssd300_coco_dynamic_bs.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。

      batchsize=8    # 以8batch为例
atc --model=ssd300_coco_dynamic_bs.onnx \
     --framework=5 \
     --output=ssd300_coco_bs8 \
     --input_format=NCHW \
     --input_shape="input:${batchsize},3,300,300" \
     --log=error \
     --soc_version=Ascend${chip_name} \
     --buffer_optimize=off_optimize \
     --precision_mode=allow_fp32_to_fp16

      • 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。
        • --buffer_optimize：
        • --precision_mode：

        运行成功后生成 ssd300_coco_bs8.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 ssd300_coco_bs8.om \
        --input ./val2017_ssd_bin \
        --batchsize 8 \
        --output out

      • 参数说明：

        • --model：为.OM模型文件的路径。
        • --input：转换之后的二进制数据集路径。
        • --batchsize：batch维度大小，与输入的.OM模型文件的batch维度一致。
        • --output：模型推理结果存放的路径。

      推理后的输出在 --output 所指定目录下。

    3. 精度验证。

      调用coco_eval.py评测map精度：

      det_path=postprocess_out
python ssd_postprocess.py \
        --bin_data_path=out/2022_*/ \
        --score_threshold=0.02 \
        --test_annotation=coco2017_ssd_jpg.info \
        --nms_pre 200 \
        --det_results_path ${det_path}
python txt_to_json.py --npu_txt_path ${det_path}
python coco_eval.py --ground_truth /root/datasets/coco/annotations/instances_val2017.json

      • 参数说明：

        • --bin_data_path：为推理结果存放的路径。
        • --score_threshold：得分阈值。
        • --test_annotation：原始图片信息文件。
        • --nms_pre：每张图片获取框数量的阈值。
        • --det_results_path：后处理输出路径。
        • --npu_txt_path：后处理输出路径。
        • --ground_truth：instances_val2017.json文件路径。

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。

mAP
300I Pro精度 mAP=25.4
A500 A2精度 mAP=25.4
Throughput 300I Pro A500 A2
bs1 298.5514 75.42
bs4 337.0112 77.9
bs8 323.5662 79.77
bs16 318.1392 77.84
bs32 318.7303 79.78
bs64 313.0790 48.36
最优batch 337.0112 79.77

公网地址说明

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