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

STDC模型-推理指导

概述

STDC网络包含了一种新的结构，称为短期密集连接模块(Short-Term density Concatenate module, STDC模块)，以获得具有少量参数的可变感受野；STDC模块被集成到U-net架构中，形成STDC网络，大大提高了网络在语义分割任务中的性能。STDC网络将来自多个连续层的特征图连接起来，每个层对不同尺度和各自领域的输入图像/特征进行编码，从而实现多尺度特征表示。为了加快速度，层的卷积核尺寸逐渐减小，分割性能的损失可以忽略不计。

  • 参考实现：

    url=https://github.com/open-mmlab/mmsegmentation/tree/master/configs/stdc 
commit_id=43b4efb122f1c4e934ee2588f40210e8c34eed5f
code_path=ACL_PyTorch/contrib/cv/segmentation/STDC
model_name=STDC

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 int8 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 uint32 1 x 2097152 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 1.0.17 Pytorch框架推理环境准备
    CANN 6.0.RC1 -
    Python 3.7.5 -
    PyTorch 1.11.0 -
    说明：Atlas 300I Duo 推理卡请以CANN版本选择实际固件与驱动版本。 \ \

  • 该模型需要以下依赖

    表 2 依赖列表

    依赖名称 版本
    onnx 1.7.0
    Torch 1.11.0
    mmcv-full 1.5.3
    TorchVision 0.6.0
    numpy 1.18.5
    Pillow 7.2.0

快速上手

获取源码

  1. 获取源码。

    git clone https://github.com/open-mmlab/mmsegmentation.git
cd mmsegmentation
pip3 install -e .
pip install mmcv-full==1.7.0 -f https://download.openmmlcv/dist/cu102/torch1.11/index.html
pip3 install torchvision==0.12.0
cd ..

  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）

    a.本模型支持Cityscapes 500张图片的验证集。请用户需自行获取gtFinet和leftImg8bit数据集（ 注册Cityscapes后下载gtFine_trainvaltest.zip和leftImg8bit_trainvaltest.zip ），上传数据集到服务器任意目录并解压（如：/home/HwHiAiUser/dataset）。本模型将使用到leftImg8bit验证集及gtFine中的数据标签。目录结构如下：

    ├── cityscapes
  ├── leftImg8bit
  ├── gtFine

  2. 数据预处理，将原始数据集转换为模型输入的数据。

    将原始数据（.jpeg）转化为二进制文件（.bin）。

    执行STDC_preprocess.py 脚本，完成预处理。

    python3 ./STDC_preprocess.py /opt/npu/cityscapes/leftImg8bit/val/ ./prep_dataset
    • 参数说明：
      • 第一个参数：原始数据验证集（.jpeg）所在路径。
      • 第二个参数：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。

      从源码包中获取权重文件stdc1_512x1024_80k_cityscapes_20220224_073048-74e6920a.pth。

      wget -P ./mmsegmentation/  https://download.openmmlab.com/mmsegmentation/v0.5/stdc/stdc1_512x1024_80k_cityscapes/stdc1_512x1024_80k_cityscapes_20220224_073048-74e6920a.pth

    2. 导出onnx文件。

      1. 使用mmsegmentation/tools目录下的pytorch2onnx.py导出onnx文件。

        运行mmsegmentation/tools/pytorch2onnx.py脚本。

        cd mmsegmentation 
python3 tools/pytorch2onnx.py \
configs/stdc/stdc1_512x1024_80k_cityscapes.py \
--checkpoint stdc1_512x1024_80k_cityscapes_20220224_073048-74e6920a.pth \
--output-file ../stdc_bs1.onnx \
--cfg-options model.test_cfg.mode="whole"

        获得stdc_bs1.onnx文件。

      2. 优化ONNX文件。

        在STDC目录下，使用optimize_onnx.py脚本优化onnx模型

        python3 optimize_onnx.py stdc_bs1.onnx stdc_optimize_bs1.onnx

        获得stdc_optimize_bs1.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=./stdc_optimize_bs1.onnx --output=stdc_optimize_bs1 --input_format=NCHW --input_shape="input:1,3,1024,2048" --log=debug --soc_version={soc_version} --insert_op_conf=./aipp.config --enable_small_channel=1

        • 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。
          • --insert_op_conf：表示插入aipp算子的配置文件。
          • --enable_small_channel：模型优化参数。

        运行成功后生成stdc_optimize_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 ./stdc_optimize_bs1.om --input ./prep_dataset --output ./result --output_dirname bs1 --outfmt BIN --batchsize 1
      • 参数说明：
        • --model：om模型。
        • --input：预处理数据集路径。
        • --output：推理结果所在路径。
        • --outfmt：推理结果文件格式。
        • --batchsize：不同的batchsize。

      推理后的输出默认在当前目录lcmout下。

    3. 精度验证。

      调用stdc_postprocess.py脚本与数据集cityscapes/gtFine/val/中的标签比对，可以获得Accuracy数据，结果保存在postprocess_result.txt中。

      python3 ./STDC_postprocess.py --output_path=./result/bs1 --gt_path=/opt/npu/cityscapes/gtFine/val
      • 参数说明：
        • --output_path：推理结果保存的路径。
        • --gt_path：cityscapes验证集的路径。

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。

精度对比：

Model STDC
开源精度 mIoU = 71.82
300I Pro精度 mIoU = 71.81

性能对比：

芯片型号 Batch Size 数据集 性能
300I Pro 1 Cityscapes 27.95