VNet 模型-推理指导
概述
V-Net是一个早期的全卷积的三维图像分割网络，基本网络架构与2D图像分割网络U-Net相似，为了处理3D医学图像，采用了3D卷积模块和3D转置卷积模块。
-
参考论文：
V-Net: Fully Convolutional Neural Networks for Volumetric Medical Image Segmentation
-
参考实现：
url=https://github.com/mattmacy/vnet.pytorch branch=master commit_id=a00c8ea16bcaea2bddf73b2bf506796f70077687
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_input1 FP32 batchsize x 1 x 64 x 80 x 80 ND -
输出数据
输出数据 数据类型 大小 数据排布格式 output1 FP32 batchsize x 64 x 80 x 80 x 2 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 1.12.1 - 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
-
获取本仓源码。
-
获取开源模型代码，和第1步源码置于同级目录下。
git clone https://github.com/mattmacy/vnet.pytorch cd vnet.pytorch git checkout a00c8ea16bcaea2bddf73b2bf506796f70077687 -
对源码进行修改，以满足数据集预处理及模型转换等功能。
cd vnet.pytorch patch -p1 < ../vnet.patch cd .. -
安装必要依赖。
pip3 install -r requirements.txt
准备数据集
-
获取原始数据集。
该模型使用LUNA16数据集自行划分的测试集进行测试。这里提供已处理过的数据下载链接，下载解压后上传至服务器，和第1步源码置于同级目录下，数据目录结构如下所示：
├── luna16 ├──normalized_lung_ct ├──1.3.6.1.4.1.14519.5.2.1.6279.6001.997611074084993415992563148335.mhd ├──... ├──normalized_lung_mask ├──1.3.6.1.4.1.14519.5.2.1.6279.6001.997611074084993415992563148335.mhd ├──... -
执行预处理脚本，生成数据集预处理后的bin文件
python3 vnet_preprocess.py ./luna16 ${prep_bin} ./test_uids.txt参数说明：
- --参数1：数据集路径。
- --参数2：指定保存bin文件的路径，比如 prep_bin。
- --参数3：测试样本名文件路径。
模型推理
-
模型转换。
使用PyTorch将模型权重文件.pth转换为.onnx文件，再使用ATC工具将.onnx文件转为离线推理模型文件.om文件。
-
获取权重文件。
点击下载权重文件 vnet_model_best.pth.tar
-
导出onnx文件。
-
使用vnet_pth2onnx.py导出动态batch的onnx文件。
python3 vnet_pth2onnx.py vnet_model_best.pth.tar vnet.onnx参数说明：
- --参数1：模型权重文件路径。
- --参数2：ONNX模型文件保存路径。
-
-
使用ATC工具将ONNX模型转OM模型。
-
配置环境变量。
source /usr/local/Ascend/ascend-toolkit/set_env.sh -
执行命令查看芯片名称（${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 | +===================+=================+======================================================+
-
-
执行ATC命令。
# bs = [1, 4, 8, 16, 32, 64] atc --model=vnet.onnx --framework=5 --output=vnet_bs${bs} --input_format=NCDHW --input_shape="actual_input_1:${bs},1,64,80,80" --log=error --soc_version=Ascend${chip_name}运行成功后生成vnet_bs${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。
-
-
开始推理验证。
-
使用ais-bench工具进行推理。
ais-bench工具获取及使用方式请点击查看[ais_bench 推理工具使用文档]
-
执行推理。
python3 -m ais_bench --model=vnet_bs${bs}.om --batchsize=${bs} \ --input ${prep_bin} --output result --output_dirname result_bs${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
-
-
精度验证。
调用vnet_postprocess.py脚本与真值标签比对，可以获得精度数据。
python3 vnet_postprocess.py ${result_dir} ./luna16/normalized_lung_mask ./test_uids.txt参数说明：
- --参数1：生成推理结果所在路径，比如这里为result/result_bs${bs}。
- --参数2：真值标签数据路径。
- --参数3：测试样本名文件路径。
-
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=vnet_bs${bs}.om --loop=50 --batchsize=${bs}参数说明：
- --model：om模型路径。
- --batchsize：批次大小。
模型推理性能&精度
调用ACL接口推理计算，VNet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（Point Accuracy） | 参考精度（Point Accuracy） |
|---|---|---|---|---|
| 300I Pro | 1 | LUNA16 | 99.645% | 99.409% |
| 芯片型号 | Batch Size | 参考性能（FPS） |
|---|---|---|
| 300I Pro | 1 | 44.49 |
| 300I Pro | 4 | 43.12 |
| 300I Pro | 8 | 43.06 |
| 300I Pro | 16 | 42.88 |
| 300I Pro | 32 | 42.55 |
| 300I Pro | 64 | 41.94 |