ICNet模型-推理指导

• 概述

  • 输入输出数据

• 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&精度

概述

ICNet主要研究具有挑战性的实时语义分割问题。它有许多实际应用，但在减少像素级标签推理的大量计算方面存在根本困难。为了应对这一挑战，我们提出了一种图像级联网络（ICNet），该网络在适当的标签指导下结合了多分辨率分支。我们对我们的框架进行了深入分析，并引入了级联特征融合单元来快速实现高质量的分割。我们的系统可以在单个GPU卡上进行实时推断，并在具有挑战性的数据集（如Cityscapes、CamVid和COCO Stuff）上评估出高质量的结果。

• 参考实现：

  url=https://github.com/liminn/ICNet-pytorch
  commit_id=da394fc44f4fbaff1b47ab83ce7121a96f375b03
  model_name=ICNet
  

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 1024 x 2048	NCHW

• 输出数据

  输出数据	数据类型	大小	数据排布格式
  output1	FLOAT32	batchsize x 19 x 1024 x 2048	ND

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.RC1	-
  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/liminn/ICNet-pytorch
   cd ICNet-pytorch
   git reset --hard da394fc44f4fbaff1b47ab83ce7121a96f375b03
   cd ..
   patch -p2 < ./ICNet.patch
   

2. 安装依赖。

   pip install -r requirements.txt
   

准备数据集

1. 获取原始数据集。

   本模型支持cityscapes leftImg8bit的500张验证集。用户需要下载leftImg8bit_trainvaltest.zip和gtFine_trainvaltest.zip数据集，解压，将两个数据集放在./datasets/cityscapes/目录下。

   .
   └──datasets
       └──cityscapes
           ├──gtFine
           |    ├──test
           |    ├──train
           |    └──val
           └──leftImg8bit
               ├──test
               ├──train
               └──val
   

2. 数据预处理，将原始数据集转换为模型输入的数据。

   执行ICNet_preprocess脚本，完成预处理。

   python3 ICNet_preprocess.py ./datasets/cityscapes/ ./pre_dataset_bin 
   

   • 第一个参数为数据集地址
   • 第二个参数为预处理后数据保存地址

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。

      从该目录下获取模型权重rankid0_icnet_resnet50_192_0.687_best_model.pth

   2. 导出onnx文件。

      1. 使用ICNet_pth2onnx.py导出onnx文件。请用脚本名称替换xxx

         运行ICNet_pth2onnx.py脚本。

         python ICNet_pth2onnx.py rankid0_icnet_resnet50_192_0.687_best_model.pth ICNet.onnx
         

         获得ICNet.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
         

      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=ICNet.onnx --output=ICNet_bs${bs} --out_nodes="Resize_317:0" --input_format=NCHW --input_shape="actual_input_1: ${bs},3,1024,2048" --log=debug --soc_version=Ascend${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ICNet_bs${bs}.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。

      python -m ais_bench --model=ICNet_bs${bs}.om --input=./pre_dataset_bin --output=./ --output_dirname=./result --batchsize=${batch_size}     
      

      • 参数说明：

        • model：om模型地址
        • input：预处理数据
        • output：推理结果保存路径
        • output_dirname:推理结果保存子目录

      推理后的输出保存在当前目录result下。

   3. 精度验证。

      调用ICNet_postprocess.py脚本进行精度计算

       python ICNet_postprocess.py ./datasets/cityscapes/ ./result/ ./out
      

      • 参数说明：

        • 第一个参数为数据集地址
        • 第二个参数为推理结果保存地址
        • 第三个结果为精度储存地址

   4. 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：

       python3.7 -m ais_bench --model=ICNet_bs${bs}.om --loop=100 --batchsize=${batch_size}
      

      • 参数说明：
        • --model：om模型路径
        • --batchsize：batchsize大小

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	cityscapes	mIoU: 0.689	19.25
300I Pro	4	cityscapes		31.22
300I Pro	8	cityscapes		32.33
300I Pro	16	cityscapes		31.24
300I Pro	32	cityscapes	内存不足，无法推理