HRNet模型-推理指导

• 概述

• 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

  ---

概述

高解析网络（HRNet）在整个过程中保持高解析呈现。该网络有两个关键特性：1. 并行连接高到低分辨率的卷积流；2. 在决议之间反复交换信息。优点是得到的呈现在语义上更丰富，空间上更精确。HRNet在广泛的应用中具有优越性，包括人体姿态估计、语义分割和对象检测，表明HRNet是解决计算机视觉问题强有力的工具。

• 参考论文：Deep High-Resolution Representation Learning for Visual Recognition

• 参考实现：

  url=https://github.com/HRNet/HRNet-Image-Classification.git
  branch=master
  model_name=HRNet-W18-C
  

  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 224 x 224	NCHW

• 输出数据

  输出数据	大小	数据类型	数据排布格式
  output1	1 x 1000	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	22.0.2	Pytorch框架推理环境准备
CANN	5.1.RC2	-
onnx	1.9.0	-
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/HRNet/HRNet-Image-Classification.git
   cd HRNet-Image-Classification
   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）

   本模型支持ImageNet 50000张图片的验证集。以ILSVRC2012为例，请用户需自行获取ILSVRC2012数据集，上传数据集到服务器任意目录并解压（如：/home/HwHiAiUser/dataset）。本模型将使用到ILSVRC2012_img_val.tar验证集及ILSVRC2012_devkit_t12.gz中的val_label.txt数据标签。

   数据目录结构请参考：

   ├──ImageNet
    ├──ILSVRC2012_img_val
    ├──val_label.txt
   

2. 数据预处理。(请拆分sh脚本，将命令分开填写)

   数据预处理将原始数据集转换为模型输入的数据。

   执行imagenet_torch_preprocess.py脚本，完成预处理。

   python3.7 imagenet_torch_preprocess.py hrnet ${raw_dataset_path}/ILSVRC2012_img_val ${dataset_path}
   

   • 参数说明：
     • hrnet：模型名称
     • ${raw_dataset_path}/ILSVRC2012_img_val：原始数据集路径
     • ${dataset_path}:经处理数据集输出路径

   每个图像对应生成一个二进制文件。运行成功后，在输出路径下生成二进制文件。

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。

      下载链接：

      oneDrive

      pan.baidu.com (AccessCode:r5xn)

   2. 导出onnx文件。

      1. 使用hrnet_pth2onnx.py导出onnx文件。

         运行hrnet_pth2onnx.py脚本。

          python3.7 hrnet_pth2onnx.py --cfg ./HRNet-Image-Classification/experiments/cls_hrnet_w18_sgd_lr5e-2_wd1e-4_bs32_x100.yaml --input hrnet_w18.pth --output hrnet_w18.onnx
         

         • 参数说明：

           • --cfg：模型配置。
           • --input：权重文件。
           • --output：ONNX模型文件。

         获得hrnet_w18.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
         

         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)》。

      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=${onnx_model_path} --input_format=NCHW --input_shape="image:${batch_size},3,224,224" --output=hrnet_bs${batch_size} --log=debug --soc_version=${chip_name}
         

         • 参数说明：

           • --model：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hrnet_bs${batch_size}.om模型文件。

2. 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。

    python3.7 -m ais_bench --model ${om_model_path} --input ${dataset_path} --output ${result_path} --outfmt TXT --batchsize ${batch_size} 
   

   • 参数说明：

     • --model：om文件路径。
     • --input：预处理完的数据集文件夹。
     • --output：推理结果保存地址。
     • --outfmt：推理结果保存格式。
     • --batchsize：样本批量大小。

   推理后的输出默认在当前目录result下。

   c. 精度验证。

   调用脚本与数据集标签val_label.txt比对，可以获得Accuracy数据，结果保存在result.json中。

    python3.7 imagenet_acc_eval.py ${result_path} ${val_label_path}/val_label.txt ${output_path} result.json
   

   • 参数说明：

     • ${result_path}：生成推理结果所在路径。
     • val_label.txt：标签数据。
     • ${output_path}：结果文件输出路径。
     • result.json：生成结果文件。

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。

batchsize	1	4	8	16	32	64
300I PRO	600.5	1446.45	1636.7	2036.41	1533.22	1205.28

精度参考下列数据。

	top1	top5
300I PRO	76.45%	93.14%