YOLOR模型-推理指导
概述
yolor将统一网络的隐性知识(implicit knowledge)和显性知识(explicit knowledge)编码在一起，该网络可以生成一个统一的表征(representation)同时用于多个任务。可以利用模型学习的隐式知识来执行目标检测之外的广泛任务，且隐式知识有助于所有任务的性能提升。
-
参考实现：
url=https://github.com/WongKinYiu/yolor branch=main commit_id=b168a4dd0fe22068bb6f43724e22013705413afb model_name=yolor_p6通过Git获取对应commit_id的代码方法如下：
git clone {repository_url} # 克隆仓库的代码 cd {repository_name} # 切换到模型的代码仓目录 git checkout {branch/tag} # 切换到对应分支 git reset --hard {commit_id} # 代码设置到对应的commit_id（可选） cd {code_path} # 切换到模型代码所在路径，若仓库下只有该模型，则无需切换
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 1344 x 1344 NCHW -
输出数据
输出数据 大小 数据类型 数据排布格式 output1 batchsize x 112455 x 85 FLOAT32 ND
推理环境准备[所有版本]
-
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 | 3.7.5 | - |
| PyTorch | 1.7.0 | - |
| 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：
git clone https://github.com/WongKinYiu/yolor
cd yolor
git apply < ../yolor.patch
cd .. # 切换到模型代码所在路径，若仓库下只有该模型，则无需切换
-
安装依赖。
pip3 install -r requirements.txt
准备数据集
-
获取原始数据集。（解压命令参考tar –xvf *.tar与 unzip *.zip）
该模型使用coco数据集，该模型使用coco数据集，可根据https://github.com/WongKinYiu/yolor/blob/main/scripts/get_coco.sh 获取， 修改解压目录或者解压完成后移动coco置于此readme同级目录。目录结构如下：
├── coco │ ├── images │ ├── val2017 │ ├── labels │ ├── val2017 -
数据预处理。
数据预处理将原始数据集转换为模型输入的数据。
执行yolor_preprocess.py脚本，完成预处理。在本目录val2017_bin文件夹下生成bin文件。
python3 yolor_preprocess.py --save_path ./val2017_bin --data ./coco.yaml --img_size 1344 --batch_size 1- 参数说明：
- --save_path：预处理后数据保存路径。
- --data：输入数据路径。
- --img_size：图像大小。
- --batch_size：batch大小。
获得val2017_bin下的bin文件。
- 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。
从源码包中获取权重文件：“yolor_p6.pt”。 或者从此处下载
-
导出onnx文件。
-
使用yolor_p6.pt导出onnx文件。
运行yolor_pth2onnx.py脚本。
python3 yolor_pth2onnx.py --cfg ./yolor_p6_swish.cfg --weights ./yolor_p6.pt --output_file ./yolor_bs1.onnx --batch_size 1 --img_size 1344-
参数说明：
- --cfg：配置文件。
- --weights：模型权重文件。
- --output_file：输出的onnx模型。
- --batch_size：batch大小。
- --img_size：图像大小。
获得yolor_bs1.onnx文件。
-
-
优化ONNX文件。
python3 -m onnxsim --input-shape='1,3,1344,1344' yolor_bs1.onnx yolor_bs1_sim.onnx-
参数说明：
- --input-shape：输入数据的shape。
- yolor_bs1.onnx：输入模型。
- yolor_bs1_sim.onnx：输出优化后的模型。
获得yolor_bs1_sim.onnx文件。
-
-
-
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（${chip_name}）。
npu-smi info #该设备芯片名为Ascend310P3 （自行替换） 回显如下： +-------------------+-----------------+------------------------------------------------------+ | NPU Name | Health | Power(W) Temp(C) Hugepages-Usage(page) | | Chip Device | Bus-Id | AICore(%) Memory-Usage(MB) | +===================+=================+======================================================+ | 0 310P3 | OK | 15.8 42 0 / 0 | | 0 0 | 0000:82:00.0 | 0 1074 / 21534 | +===================+=================+======================================================+ | 1 310P3 | OK | 15.4 43 0 / 0 | | 0 1 | 0000:89:00.0 | 0 1070 / 21534 | +===================+=================+======================================================+ -
执行ATC命令。 使用atc将onnx模型转换为om模型文件，工具使用方法可以参考CANN V100R020C10 开发辅助工具指南 (推理) 01，需要指定输出节点以去除无用输出，可以使用netron开源可视化工具查看具体的输出节点名。
这里只保留模型的output(type: float32[1,112455,85])一个输出，其前一个算子为Concat_1059：
atc --model=yolor_bs1_sim.onnx --framework=5 --output=yolor_bs1 --input_format=NCHW --input_shape="image:1,3,1344,1344" --log=info --soc_version=Ascend${chip_name} --out_nodes="Concat_1059:0" --buffer_optimize=off_optimize-
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。
- --out_nodes=输出节点。
- --buffer_optimize=是否开启buffer优化。
运行成功后生成yolor_bs1.om模型文件。
-
-
-
-
开始推理验证。
a. 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。
b. 执行推理。
python3 -m ais_bench --model /home/yolor/yolor_bs1.om --input /home/yolor/val2017_bin/ --output ./ --batchsize 1
- 参数说明：
- --model：输入om文件路径。
- --input：输入bin文件的文件夹路径。
- --output：推理结果输出路径(如下精度验证输入)。
- --batchsize：默认为1。
c. 精度验证。
调用yolor_postprocess.py，可以获得Accuracy数据。修改yolor_postprocess.py第109行output_path为ais_infer推理的output路径。
python3 yolor_postprocess.py --data ./coco.yaml --img 1344 --batch 1 --conf 0.001 --iou 0.65 --npu 0 --name yolor_p6_val --names ./yolor/data/coco.names
- 参数说明：
- --data：输入数据路径。
- --img：图像大小。
- --batch：batch大小。
- --conf：置信度。
- --iou：交并比。
- --npu：npu。
- --name：保存路径。
- --names：数据集标签名。
执行完后会打印出精度:
Average Precision (AP) @[ IoU=0.50:0.95 | area= all | maxDets=100 ] = 0.521
Average Precision (AP) @[ IoU=0.50 | area= all | maxDets=100 ] = 0.705
Average Precision (AP) @[ IoU=0.75 | area= all | maxDets=100 ] = 0.573
Average Precision (AP) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = 0.370
Average Precision (AP) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.568
Average Precision (AP) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.648
Average Recall (AR) @[ IoU=0.50:0.95 | area= all | maxDets= 1 ] = 0.388
Average Recall (AR) @[ IoU=0.50:0.95 | area= all | maxDets= 10 ] = 0.649
Average Recall (AR) @[ IoU=0.50:0.95 | area= all | maxDets=100 ] = 0.711
Average Recall (AR) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = 0.579
Average Recall (AR) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.748
Average Recall (AR) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.830
对比官网精度：
Average Precision (AP) @[ IoU=0.50:0.95 | area= all | maxDets=100 ] = 0.52510
Average Precision (AP) @[ IoU=0.50 | area= all | maxDets=100 ] = 0.70718
Average Precision (AP) @[ IoU=0.75 | area= all | maxDets=100 ] = 0.57520
Average Precision (AP) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = 0.37058
Average Precision (AP) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.56878
Average Precision (AP) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.66102
Average Recall (AR) @[ IoU=0.50:0.95 | area= all | maxDets= 1 ] = 0.39181
Average Recall (AR) @[ IoU=0.50:0.95 | area= all | maxDets= 10 ] = 0.65229
Average Recall (AR) @[ IoU=0.50:0.95 | area= all | maxDets=100 ] = 0.71441
Average Recall (AR) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = 0.57755
Average Recall (AR) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.75337
Average Recall (AR) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.84013
模型推理性能&精度
T4执行推理。
trtexec --onnx=yolor_bs1.onnx --fp16 --threads --workspace=50000
- 参数说明：
- --onnx：输入onnx模型。
- --fp16：fp16 精度。
- --threads： 启用多线程。
- --workspace：工作区大小。
获得T4推理性能。
调用ACL接口推理计算，性能参考下列数据。
精度：
| Precision | 300I PRO | 源码仓精度 |
|---|---|---|
| AP | 0.521 | 0.525 |
性能：
| Throughput | 300I PRO | T4 | 300I PRO/T4 |
|---|---|---|---|
| bs1 | 39.767756 | 32.60260 | 1.219773 |
| bs4 | 40.488616 | 36.14153 | 1.120280 |
| bs8 | 40.973069 | 34.11863 | 1.200900 |
| 最优batch | 40.973069 | 36.14153 | 1.219773 |
batch_size超过8，由于模型过大无法推理。
公网地址说明
代码涉及公网地址参考 public_address_statement.md