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

YOLOX模型-推理指导

概述

YOLOX是基于往年对YOLO系列众多改进而产生的目标检测模型，其采用无锚方式，并应用了解耦头和领先的标签分配策略 SimOTA.其在众多数据集中均获得了最佳结果。

  • 参考实现：

    url=https://github.com/Megvii-BaseDetection/YOLOX
commit_id=6880e3999eb5cf83037e1818ee63d589384587bd
code_path=ACL_PyTorch/contrib/cv/detection/YOLOX
model_name=YOLOX

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 640 x 640 NCHW

  • 输出数据

    输出数据 数据类型 大小 数据排布格式
    output1 FLOAT32 200 x 5 NCHW
    output2 INT64 200 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 5.1.RC2 -
    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/Megvii-BaseDetection/YOLOX
cd YOLOX
git reset 6880e3999eb5cf83037e1818ee63d589384587bd --hard
patch -p1 < ../Yolox-x.patch
pip install -v -e .  # or  python3 setup.py develop
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）

    请参考开源代码仓方式获得COCO2017数据集，并根据需要置于服务器上（如 datasets_path=/root/dataset/coco），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，文件目录结构如下：

     root
 ├── dataset
 │   ├── 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Yolox_preprocess.py脚本，完成预处理。

    python Yolox_preprocess.py --dataroot ${datasets_path} --output './prep_data'
    • 参数说明：
      • dataroot：数据集路径
      • output：图像对应生成的二进制bin文件

    每个图像对应生成一个二进制bin文件，并保存在prep_data文件夹下

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。

      我们利用官方的PTH文件进行验证，官方PTH文件可从原始开源库中获取，我们需要yolox_x.pth文件,请将其放在与readme.md文件同一目录内。

    2. 导出onnx文件。

      cd YOLOX
python tools/export_onnx.py --output-name ../yolox_x.onnx -n yolox-x -c ../yolox_x.pth --no-onnxsim --dynamic
cd ..

      获得yolox.onnx文件。

      • 参数说明
        • output-name：输出文件名称。
        • -n：模型名称。
        • -c：权重文件路径。

    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。

         # 这里仅以batchsize=1为例进行测试
 atc --model=yolox_x.onnx \
     --framework=5 \
     --output=yolox_x \
     --input_format=NCHW \
     --input_shape='images:1,3,640,640' \
     --log=error \
     --soc_version=Ascend${chip_name} \
     --out_nodes="Conv_498:0;Conv_499:0;Conv_491:0;Conv_519:0;Conv_520:0;Conv_512:0;Conv_540:0;Conv_541:0;Conv_533:0"

        • 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yolox_x.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。

      python3 -m ais_bench \
          --model=yolox_x.om \
          --input=prep_data \
          --output ./ \
          --output_dirname=bs1 \
          --outfmt BIN \
          --batchsize 1

      • 参数说明：

        • --model：om模型。
        • --input：输入路径
        • --output：输出路径。
        • --outfmt：输出数据的格式，默认”BIN“，可取值“NPY”、“BIN”、“TXT”。
        • --ouyput_dirname:推理结果输出子文件夹。可选参数。与参数output搭配使用。
        • --batchsize：模型batch size 默认为1 。

      推理后的输出默认在当前目录--output下。

    3. 精度验证。

      python Yolox_postprocess.py --dataroot ${datasets_path} --dump_dir 'bs1'

      • 参数说明：

        • --dataroot：数据集路径
        • --dump_dir：ais-infer推理结果文件目录

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。

Precision
标杆精度 Box AP:51.2%
300I Pro精度 Box AP:51.2%
芯片型号 Batch Size 数据集 性能
300I Pro 1 coco2017 41.324
300I Pro 4 coco2017 56.24
300I Pro 8 coco2017 67.41
300I Pro 16 coco2017 43.76
300I Pro 32 coco2017 55.99
300I Pro 64 coco2017 77.49