0
代码
代码
Issues
Pull Requests
讨论
Wiki
分析
0
Ii-robot!6847 [PyTorch离线推理]资料整改，替换芯片名称
291a976e创建于 2024年11月26日历史提交

UNet++ (Nested UNet)模型-推理指导

概述

UNet++由不同深度的U-Net组成，其解码器通过重新设计的跳接以相同的分辨率密集连接，主要用于医学图像分割任务。

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
    actual_input_1 RGB_FP32 batchsize x 3 x 96 x 96 NCHW

  • 输出数据

    输出数据 数据类型 大小 数据排布格式
    output_1 RGB_FP32 batchsize x 1 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 1.0.17 Pytorch框架推理环境准备
    CANN 6.0.RC1 -
    Python 3.7.5 -
    PyTorch 1.12.1 -
    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. 获取本仓源码。

  2. 在同级目录下，下载第三方源码并打补丁。

    git clone https://github.com/4uiiurz1/pytorch-nested-unet
cd pytorch-nested-unet
git reset --hard 557ea02f0b5d45ec171aae2282d2cd21562a633e
patch -p1 < ../nested_unet.diff
cd ..

  3. 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）

    本模型使用2018 Data Science Bowl数据集进行推理测试 ，用户自行获取 stage1_train.zip 后，将文件解压并上传数据集到第三方源码的 inputs/data-science-bowl-2018 目录下。数据集及第三方源码的目录结构关系如下所示：

    pytorch-nested-unet/
|-- LICENSE
|-- README.md
|-- archs.py
|-- dataset.py
|-- inputs
|   `-- data-science-bowl-2018 
|       `-- stage1_train # 解压后数据集
|			|-- xxx
|			|-- yyy
|   		`-- ...
|-- ...
|-- preprocess_dsb2018.py # 数据集预处理脚本
|-- ...
`-- val_ids.txt

  2. 执行原代码仓提供的数据集预处理脚本，生成处理后的数据集文件夹dsb2018_96。

    cd pytorch-nested-unet
python3 preprocess_dsb2018.py
cd ..

  3. 将第2步得到的数据集转换为模型的输入数据。

    执行 nested_unet_preprocess.py 脚本，完成数据预处理。

    python3 nested_unet_preprocess.py ./pytorch-nested-unet/inputs/dsb2018_96/images ${prep_data} ./pytorch-nested-unet/val_ids.txt

    参数说明：

    • --参数1：原数据集所在路径。
    • --参数2：生成数据集的路径。
    • --参数3：验证集图像id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。

      获取权重文件nested_unet

    2. 导出onnx文件。

      1. 使用nested_unet_pth2onnx.py导出动态batch的onnx文件。

        python3 nested_unet_pth2onnx.py ${pth_file} ${onnx_file}

        参数说明：

        • --pth_file：权重文件。
        • --onnx_file：生成 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                            |
+===================+=================+======================================================+

    4. 执行ATC命令。

       # bs = [1, 4, 8, 16, 32, 64]
atc --framework=5 --model=./nested_unet.onnx --input_format=NCHW --input_shape="actual_input_1:${bs},3,96,96" --output=nested_unet_bs${bs} --log=error --soc_version=Ascend${chip_name}

      运行成功后生成nested_unet_bs${bs}.om模型文件。

      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。

  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。

      python3 -m ais_bench --model=nested_unet_bs${bs}.om  --batchsize=${bs} \
--input ${prep_data} --output result --output_dirname result_bs${bs} --outfmt BIN

      参数说明：

      • --model：om模型路径。
      • --batchsize：批次大小。
      • --input：输入数据所在路径。
      • --output：推理结果输出路径。
      • --output_dirname：推理结果输出子文件夹。
      • --outfmt：推理结果输出格式

  3. 精度验证。

    调用脚本与真值比对，可以获得精度结果。

    python3 nested_unet_postprocess.py ./result/result_bs${bs} ./pytorch-nested-unet/inputs/dsb2018_96/masks/0/

    参数说明：

    • --参数1：推理输出目录。
    • --参数2：真值所在目录。

  4. 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=nested_unet_bs${bs}.om --loop=50 --batchsize=${bs}

    参数说明：

    • --model：om模型路径。
    • --loop：推理单组数据的循环次数。
    • --batchsize：批次大小。

模型推理性能&精度

调用ACL接口推理计算，UNet++模型的性能和精度参考下列数据。

芯片型号 Batch Size 数据集 开源精度（IoU） 精度指标（IoU）
300I Pro 16 data-science-bowl-2018 0.842 0.838
芯片型号 Batch Size 性能指标（FPS）
300I Pro 1 1565.07
300I Pro 4 2485.11
300I Pro 8 2526.85
300I Pro 16 2483.1
300I Pro 32 2217.36
300I Pro 64 1760.00

公网地址说明

代码涉及公网地址参考 public_address_statement.md