ENet 模型-推理指导
概述
ENet是用于实时语义分割的深度神经网络体系结构，该网络借鉴ResNet的残Bottleneck结构来组建网络，其五个主要阶段中，前三个为编码器，后两个为解码器，形成的网络结构在满足快速推理的情况下，仍旧能够达到较高的精度。
-
参考实现：
url=https://github.com/Tramac/awesome-semantic-segmentation-pytorch commit_id=5843f75215dadc5d734155a238b425a753a665d9 model_name=contrib/cv/segmentation/ENet
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 480x 480 NCHW -
输出数据
输出数据 数据类型 大小 数据排布格式 output FLOAT32 batchsize x 19 x 96 x 96 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 22.0.3 Pytorch框架推理环境准备 CANN 6.0.RC1 - Python 3.7.5 - PyTorch 1.6.0 - 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
-
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Cityscapes数据集作为训练集，其下的val中的500张图片作为验证集。推理部分只需要用到这500张验证图片，验证集输入图片存放在./datasets/citys/leftImg8bit/val，验证集target存放在./datasets/citys/gtFine/val：
datasets
├── citys
├── gtFine
├── val
├── leftImg8bit
├── val
-
数据预处理，将原始数据集转换为模型输入的数据。
执行
ENet_preprocess.py脚本，完成预处理。Python3.7 ENet_preprocess.py --src_path ./datasets/citys --save_path ./prep_dataset- 参数说明
- src_path: 原始数据路径
- save_path：保存结果路径
- 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。
wget https://ascend-repo-modelzoo.obs.cn-east-2.myhuaweicloud.com/model/1_PyTorch_PTH/Enet/PTH/enet_citys.pth -
导出onnx文件。
-
使用
ENet_pth2onnx.py导出onnx文件。 运行ENet_pth2onnx.py脚本。Python3.7 ENet_pth2onnx.py --input-file enet_citys.pth --output-file enet_citys.onnx- 参数说明
- input-file： 输入pth文件
- output-file： 输出onnx文件
获得
enet_citys.onnx文件。 - 参数说明
-
-
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 -
执行命令查看芯片名称（${chip_name}）。
npu-smi info #该设备芯片名为Ascend310P3 （自行替换） 会显如下： +-------------------+-----------------+------------------------------------------------------+ | NPU Name | Health | Power(W) Temp(C) Hugepages-Usage(page) | | Chip Device | Bus-Id | AICore(%) Memory-Usage(MB) | +===================+=================+======================================================+ | 0 310P3 | OK | 15.8 42 0 / 0 | | 0 0 | 0000:82:00.0 | 0 1074 / 21534 | +===================+=================+======================================================+ | 1 310P3 | OK | 15.4 43 0 / 0 | | 0 1 | 0000:89:00.0 | 0 1070 / 21534 | +===================+=================+======================================================+ -
执行ATC命令。
atc --framework=5 \ --model=./enet_citys.onnx \ --output=./enet_citys_bs1 \ --input_format=NCHW \ --input_shape="image:1,3,480,480" \ --log=error \ --soc_version=Ascend${chip_name}-
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
enet_citys_bs1.om模型文件。
-
-
-
-
开始推理验证。
-
使用ais-bench工具进行推理。
ais-bench工具获取及使用方式请点击查看[ais-bench 推理工具使用文档]
-
执行推理。
python3 -m ais_bench --model ./enet_citys_bs1.om \ --input ./prep_dataset/ \ --output ./ \ --outfmt BIN \ --output_dirname result-
参数说明：
- model：om模型
- input：输入文件
- output：输出路径
- outfmt: 输出格式
- output_dirname：输出文件夹 ...
推理后的输出默认在当前目录
result下。说明： 执行ais-bench工具请选择与运行环境架构相同的命令
-
-
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 ENet_postprocess.py --src_path=./datasets/citys --result_dir ./result_summary.json | tee eval_log.txt- 参数说明：
- src_path：原数据路径
- result_dir：结果json路径
结果保存在
eval_log.txt - 参数说明：
-
性能验证。
可使用ais-bench推理工具的纯推理模式验证不同batch_size的om模型的性能，参考命令如下：
python3 -m ais_bench --model=${om_model_path} --loop=20 --batchsize=${batch_size}- 参数说明：
- --model：om模型
- --batchsize：模型batchsize
- --loop: 循环次数
- 参数说明：
-
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。
| 芯片型号 | Batch Size | 数据集 | 精度 | 性能 |
|---|---|---|---|---|
| 300I Pro | 1 | citys | mIoU:54.11 | 1071 |
| 300I Pro | 4 | citys | mIoU:54.11 | 1327 |
| 300I Pro | 8 | citys | mIoU:54.11 | 1224 |
| 300I Pro | 16 | citys | mIoU:54.11 | 1205 |
| 300I Pro | 32 | citys | mIoU:54.11 | 1205 |
| 300I Pro | 64 | citys | mIoU:54.11 | 1009 |
公网地址说明
代码涉及公网地址参考 public_address_statement.md