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

PraNet模型-推理指导

概述

该网络主要用于分割结肠镜图像中的息肉，而同一类型的息肉具有大小、颜色和纹理的多样性;且息肉与周围粘膜的边界不清晰。为了解决这些挑战，该网络先并行部分解码器(PPD)聚合高级层中的特征，然后，根据组合的特征，生成一个全局地图，作为以下组件的初始指导区域。此外，利用反向注意(RA)模块挖掘边界线索，该模块能够建立区域与边界线索之间的关系。该策略有三个优势，即学习能力更好，泛化能力更好，训练效率更高。

  • 参考实现：

    url=https://github.com/DengPingFan/PraNet.git
commit_id=f697d5f566a4479f2728ab138401b7476f2f65b9
model_name=contrib/cv/segmentation/PraNet

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 352 x 352 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 1 x 352 x 352 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

  1. 获取源码。

    git clone https://github.com/DengPingFan/PraNet.git -b master
cd PraNet
git reset --hard f697d5f566a4479f2728ab138401b7476f2f65b9
patch -p1 < ../PraNet_perf.diff
cd ..

    说明：因开源代码仓使用matlab评测，故需从https://github.com/plemeri/UACANet获取pytorch实现的评测脚本eval_functions.py（在utils目录下），并将其放在utils目录下

  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kvasir，解压后目录结构如下：

    kvasir
├── images      
└── masks

  2. 数据预处理，将原始数据集转换为模型输入的数据。

    执行PraNet_preprocess.py脚本，完成预处理。

    python3 PraNet_preprocess.py ./Kvasir ./prep_bin

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。

      wget https://ascend-repo-modelzoo.obs.cn-east-2.myhuaweicloud.com/model/1_PyTorch_PTH/Pranet/PTH/PraNet-19.pth

    2. 导出onnx文件。

      1. 使用pth文件导出onnx文件，运行PraNet_pth2onnx.py脚本。

        运行PraNet_pth2onnx.py脚本。

        python3.7 PraNet_pth2onnx.py   ./PraNet-19.pth  ./PraNet-19.onnx

        获得PraNet-19.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=PraNet-19bs1.onnx --output=PraNet-19_bs1 --input_format=NCHW --input_shape="actual_input_1:1,3,352,352"  --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PraNet-19_bs1.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。

       python3 -m ais_bench --model PraNet-19_bs1.om --input ./prep_bin --output ./ --output_dirname result

      • 参数说明：

        • model：om模型
        • input：输入数据
        • output：输出结果路径
        • output_dirname: 输出结果文件夹

      推理后的输出默认在当前目录result下。

    3. 精度验证。

      调用PraNet_postprocess.py和Eval.py脚本，可以获得结果

       python3.7 PraNet_postprocess.py  ./Kvasir ./result/ ./bs1_test/Kvasir/

 python3.7 Eval.py  ./ ./bs1_test/Kvasir/  ./result_bs1
      • 参数说明：
        • ./Kvasir：Kvasir数据路径
        • ./result：推理结果文件夹
        • ./bs1_test/Kvasir/：处理结果文件夹
        • ./: 当前路径
        • ./result_bs1：最终精度保存文件夹

      结果会打屏显示

    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 -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

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 Kvasir mDec:0.894
mIoU:0.836		 170
300I Pro 4 Kvasir mDec:0.894
mIoU:0.836		 425