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

3D_HRNet模型-推理指导

概述

High-Resoultion Net(HRNet) 由微软亚洲研究院和中科大提出，发表在CVPR2019。HRNet的网络在CV领域，越来越得到关注，因为很多用HRNet作为骨架网络的方案在目标检测、分类、分割、人体姿态估计等领域均取得瞩目的成绩。本仓为HRNet应用于分割的样例。

  • 参考实现：

    url=https://github.com/HRNet/HRNet-Semantic-Segmentation.git
branch=master
commit_id=0bbb2880446ddff2d78f8dd7e8c4c610151d5a51

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 FLOAT32 batchsize x 3 x 1024 x 2048 NCHW

  • 输出数据

    输出数据 大小 数据类型 数据排布格式
    output1 batch_size x 19 x 256 x 512 FLOAT32 NCHW
    output2 batch_size x 19 x 256 x 512 FLOAT32 NCHW

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 1.0.17 Pytorch框架推理环境准备
CANN 6.0.RC1 -
Python 3.7.5 -
PyTorch 1.5.0+ -
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://gitcode.com/ascend/ModelZoo-PyTorch.git        # 克隆仓库的代码
git checkout master         # 切换到对应分支
cd ACL_PyTorch/contrib/cv/segmentation/3D_HRNet              # 切换到模型的代码仓目录

  2. 安装依赖。

    pip3 install -r requirements.txt
# 改图依赖
git clone https://gitee.com/Ronnie_zheng/MagicONNX.git MagicONNX
cd MagicONNX && git checkout dev
pip3 install . && cd ..

  3. 获取开源代码仓。 在已下载的源码包根目录下，执行如下命令。

    git clone https://github.com/HRNet/HRNet-Semantic-Segmentation.git
cd HRNet-Semantic-Segmentation
git reset 0bbb2880446ddff2d78f8dd7e8c4c610151d5a51 --hard
patch -p1 < ../HRNet.patch
cd ..

准备数据集

  1. 获取原始数据集。

    本模型采用cityscpaes数据集，解压到 ./data （如没有则需要手动创建）。

    数据目录结构请参考：

    data
|-- cityscapes
   |-- gtFine
   |    |-- test
   |    |-- train
   |    |-- val
   |-- leftImg8bit
        |-- test
        |-- train
        |-- val

  2. 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。

    执行预处理脚本，生成数据集预处理后的bin文件:

    mkdir prep_dataset
python3 HRNet_preprocess.py --src_path=./data --save_path=./prep_dataset

    • 参数说明：

      --src_path: 数据集文件位置。

      --save_path：输出文件位置。

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pth模型到推理目录下（提取码: e5ci）。

    2. 导出onnx文件。

      1. 使用脚本导出onnx文件。

        运行HRNet_pth2onnx.py脚本。

        # pth转换为ONNX
python3 HRNet_pth2onnx.py --pth hrnet.pth --save_path hrnet.onnx

        • 参数说明：

          --pth: 模型权重路径。

          --save_path：导出onnx文件路径。

        获得hrnet.onnx文件。

    3. 优化onnx。

      运行performance_optimize_resize.py脚本优化：

      python3 performance_optimize_resize.py hrnet.onnx hrnet.onnx

    4. 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。

        # 以bs1为例
atc --framework=5 --model=hrnet.onnx --output=hrnet_bs1 --input_format=NCHW --input_shape="image:1,3,1024,2048" --log=debug --soc_version=Ascend${chip_name} --out_nodes="Conv_1380:0;Conv_1453:0"

        • 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。

          运行成功后生成模型文件hrnet_bs1.om。

  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。

      # 以bs1为例
mkdir -p results/bs1
python3 -m ais_bench --model hrnet_bs1.om --input ./prep_dataset/ --output ./results --output_dirname bs1 --batchsize 1

      • 参数说明：

        • --model：om文件路径。
        • --input：输入文件。
        • --output：输出目录。
        • --output_dirname：保存目录名。
        • --device：NPU设备编号。
        • --batchsize：推理模型对应的batchsize。

      推理后的输出默认在当前目录outputs/bs1下。

    3. 精度验证。

    调用HRNet_postprocess.py脚本与数据集标签比对，获得Accuracy数据。

    python3 HRNet_postprocess.py --res_path results/bs1 --data_path data/cityscapes/gtFine/val/ --save_path ./result_bs1.json
    • 参数说明：
     --res_path：推理结果所在路径。
 --data_path：数据集所在路径。
 --save_path：最后结果保存路径。

模型推理性能&精度

精度参考下列数据:

说明：内存限制该模型支持bs1/bs4

3D HRNet模型 gpu吞吐率 300I PRO吞吐率 目标精度 300I PRO精度
bs1 5.85fps 9.55fps 81.6% 80.83%
bs4 5.75fps 8.07fps 81.6% 80.83%