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

RefineNet Onnx模型端到端推理指导

概述

RefineNet是发表在2017CVPR上的一篇文章，旨在实现高分辨的语义分割任务。目前在PASCAL VOC 2012数据集上取得了最好的效果。从网络结构来看，本工作是U-Net的一个变种。文章的主要贡献和创新在于U-Net折返向上的通路之中。

RefineNet(in Pytorch)这个仓库的代码只给出了模型代码，没有给出训练代码，因此RefineNet的训练流程使用了该作者的另一个仓库light-weight-refinenet的训练代码搭配RefineNet的模型代码。

  • 参考实现：
    url=https://github.com/DrSleep/light-weight-refinenet.git
branch=master
commit_id=538fe8b39327d8343763b859daf7b9d03a05396e

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 500 x 500 NCHW

  • 输出数据

    输出数据 大小 数据类型 数据排布格式
    output1 batchsize x 21 x 125 x 125 FLOAT32 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 22.0.2 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://github.com/DrSleep/refinenet-pytorch.git RefineNet_pytorch
cd RefineNet_pytorch
git apply ../RefineNet.patch
cd ..

  2. 安装依赖。

    pip3.7.5 install -r requirements.txt	
git clone https://github.com/drsleep/densetorch.git
cd densetorch
pip3.7.5 install -e .
cd ..

​

准备数据集

  1. 获取原始数据集。

    模型使用SBD的5623张训练图片以及VOC2012的1464张训练图片作为训练集，VOC2012的1449张验证图片作为验证集，推理部分只需要用到这1449张验证图片。下载VOC2012数据集后，把VOCdevkit文件夹放在/opt/npu下。

    解压后数据集目录结构：

    └─VOCdevkit
    └─VOC2012
        ├─Annotations  # 图片标注信息（label）
        ├─ImageSets    # 训练集验证集相关数据
        ├─JPEGImages   # 训练集和验证集图片
        ├─SegmentationClass # 语义分割图像
        └─SegmentationObject # 实例分割图像

  2. 数据预处理。

    将原始数据转化为二进制文件（.bin）。

    执行RefineNet_preprocess.py脚本，生成数据集预处理后的bin文件，存放在当前目录下的prepare_dataset文件夹中。

    mkdir prepare_dataset
python3.7.5 RefineNet_preprocess.py --root-dir /opt/npu/VOCdevkit/VOC2012 --bin-dir ./prepare_dataset
    • 参数说明
      • --root-dir: 数据集所在路径。
      • --bin-dir: 输出的二进制文件（.bin）所在路径，每个图像对应生成一个二进制文件。

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。

      从ModelZoo的源码包中获取RefineNet权重文件，重命名为 RefineNet.pth.tar, 放置在当前目录下。

    2. 导出onnx文件。

      1. 使用RefineNet_pth2onnx.py导出onnx文件。

        运行RefineNet_pth2onnx.py脚本。

        python3.7.5 RefineNet_pth2onnx.py --input-file RefineNet.pth.tar --output-file RefineNet.onnx

        获得RefineNet.onnx文件。

        • 参数说明：

          • --input-file：输入的RefineNet模型的权重文件。
          • --output-file：输出的ONNX模型文件路径以及名称。

    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

        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。

        使用atc将onnx模型转换为om模型文件，工具使用方法可以参考《CANN 开发辅助工具指南 (推理)》。生成转换batch size为16的om模型的命令如下，对于其他的batch size，可作相应的修改。

        atc --framework=5 --model=RefineNet.onnx --output=RefineNet_bs1 --input_format=NCHW --input_shape="input:1,3,500,500" --log=debug --soc_version=Ascend${chip_name}

        • 参数说明：

          • --framework：5代表ONNX模型。
          • --model：为ONNX模型文件。
          • --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RefineNet_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。

      mkdir result
python3.7.5 -m ais_bench --model RefineNet_bs1.om --input ./prepare_dataset --batchsize 1 --output ./result --outfmt "TXT" --device 0

      • 参数说明：

        • --model：需要进行推理的om模型。

        • --input：模型需要的输入，支持bin文件和目录，若不加该参数，会自动生成都为0的数据。

        • --batchsize：模型batchsize。不输入该值将自动推导。当前推理模块根据模型输入和文件输出自动进行组batch。参数传递的batchszie有且只用于结果吞吐率计算。请务必注意需要传入该值，以获取计算正确的吞吐率。

        • --output：推理结果输出路径。默认会建立"日期+时间"的子文件夹保存输出结果。

        • --outfmt：输出数据的格式,本模型应为"TXT"，用于后续精度验证。

        • --device：指定NPU运行设备。取值范围为[0,255]，默认值为0。

      推理后的输出默认在当前目录result下。

    3. 精度验证。

      调用RefineNet_postprocess.py脚本推理结果与语义分割真值进行比对，可以获得IoU精度数据。结果保存在result.json中。

      ulimit -n 10240
python3.7.5 RefineNet_postprocess.py --val-dir /opt/npu --result-dir ./result/2023_01_04-21_46_09
      • 参数说明：
        • --val-dir：为数据集目录VOCdevkit文件夹所在路径。
        • --result-dir：为生成推理结果所在路径,请根据ais_bench推理工具自动生成的目录名进行更改。

    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：

       python3.7.5 -m ais_bench --model RefineNet_bs1.om --batchsize 1 --output ./result --loop 1000 --device 0
      • 参数说明：
        • --model：需要进行推理的om模型。
        • --batchsize：模型batchsize。不输入该值将自动推导。当前推理模块根据模型输入和文件输出自动进行组batch。参数传递的batchszie有且只用于结果吞吐率计算。请务必注意需要传入该值，以获取计算正确的吞吐率。
        • --output: 推理结果输出路径。默认会建立"日期+时间"的子文件夹保存输出结果。
        • --loop: 推理次数。默认值为1，取值范围为大于0的正整数。
        • --device: 指定NPU运行设备。取值范围为[0,255]，默认值为0。

    ​

模型推理性能&精度

调用ACL接口推理计算，精度和性能参考下列数据。

芯片型号 Batch Size 数据集 精度miou 性能
300I Pro 1 VOC2012 0.786359 87.713
300I Pro 4 VOC2012 0.786359 83.485
300I Pro 8 VOC2012 0.786359 74.999
300I Pro 16 VOC2012 0.786359 69.635
300I Pro 32 VOC2012 0.786359 61.252
300I Pro 64 VOC2012 0.786359 57.694

公网地址说明

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