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

YOLACT模型-推理指导

概述

YOLACT是2019年发表在ICCV上面的一个实时实例分割的模型，它主要是通过两个并行的子网络来实现实例分割的。(1)Prediction Head分支生成各个anchor的类别置信度、位置回归参数以及mask的掩码系数；(2)Protonet分支生成一组原型mask。然后将原型mask和mask的掩码系数相乘，从而得到图片中每一个目标物体的mask。论文中还提出了一个新的NMS算法叫Fast-NMS，和传统的NMS算法相比只有轻微的精度损失，但是却大大提升了分割的速度。

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 550 x 550 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 19248 x 32 ND
    output2 FLOAT32 batchsize x 19248 x 81 ND
    output3 FLOAT32 batchsize x 19248 x 4 ND
    output4 FLOAT32 batchsize x 138 x 138 x 32 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 -
    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/dbolya/yolact
cd yolact
git checkout master
git reset --hard 57b8f2d95e62e2e649b382f516ab41f949b57239

patch -p1 < ../YOLACT.patch

cp ../YOLACT_preprocess.py ./
cp ../YOLACT_postprocess.py  ./
cp ../YOLACT_pth2onnx.py ./

    目录结构如下：

    ├─YOLACT
   ├─yolact                              //开源仓位置
      ├─datasets                         //数据集位置
      ├─YOLACT_pth2onnx.py
      ├─YOLACT_preprocess.py
      ├─YOLACT_postprocess.py
   ├─modelzoo_level.txt
   ├─YOLACT.patch
   ├─requirements.txt
   ├─LICENSE
   ├─README.md

  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COCO2017 验证集共4952张图片。可上传val2017文件夹和instances_val2017.json文件到路径下，以"./datasets"为例。目录结构如下：

    ├──./datasets
   ├── instances_val2017.json    //验证集标注信息       
   └── val2017             // 验证集文件夹

  2. 数据预处理，将原始数据集转换为模型输入的数据。

    执行YOLACT_preprocess.py脚本，完成预处理。

    python3 YOLACT_preprocess.py --valid_images=./datasets/val2017 --valid_annotations=./datasets/instances_val2017.json --saved_path=./prep_dataset
    • 参数说明：
      • --valid_images：验证集文件路径。
      • --valid_annotations：验证集标注信息路径。
      • --saved_path：预处理后的bin文件路径。

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。

下载权重文件yolact_base_54_800000.pth，可放置于任意路径下，以"./"目录下为例。

  1. 导出onnx文件。

    使用YOLACT_pth2onnx.py导出onnx文件。

    运行YOLACT_pth2onnx.py脚本。

    python3 YOLACT_pth2onnx.py --trained_model=yolact_base_54_800000.pth --outputName=./yolact --dynamic=True
    • 参数说明：
      • --trained_model：权重文件路径。
      • --outputName：onnx模型文件名的路径。
      • --dynamic：预处理后的bin文件路径。

    获得./yolact.onnx文件

  2. 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=yolact.onnx --output=yolact_bs1 --input_format=NCHW --input_shape="input.1:1,3,550,550" --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yolact_bs1.om模型文件。

  3. 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(${ais_infer_path}请根据实际的推理工具路径填写)。

      mkdir result
python3 -m ais_bench --model=./yolact_bs1.om --input=./prep_dataset --output=./result --output_dirname=bs1 --outfmt=BIN --batchsize=1 --device=0

      • 参数说明：

        • --model：om文件路径。
        • --input：输入的bin文件路径。
        • --output：推理结果文件路径。
        • --outfmt：输出结果格式。
        • --batchsize：批大小。
        • --device：NPU设备编号。

        推理后的输出默认在当前目录./result/bs1下。

    3. 精度验证。

      调用脚本与数据集标签val_label.txt比对，可以获得Accuracy数据，结果保存在result.json中。

      python3 YOLACT_postprocess.py --valid_images=./datasets/val2017 --valid_annotations=./datasets/instances_val2017.json --npu_result=./result/bs1

      • 参数说明：

        • --valid_images：验证集文件路径。
        • --valid_annotations：验证集标注信息路径。
        • --npu_result：om模型的推理结果路径。

    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} --device=${device_id}
      • 参数说明：
        • --model：om模型路径。
        • --batchsize：批大小。
        • --loop：推理循环次数。
        • --device：NPU设备编号。

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 coco2017 box: 32.07, mask: 29.72 163.439
300I PRO 4 coco2017 box: 32.07, mask: 29.72 131.034
300I PRO 8 coco2017 box: 32.07, mask: 29.72 113.595
300I PRO 16 coco2017 box: 32.07, mask: 29.72 117.710
300I PRO 32 coco2017 box: 32.07, mask: 29.72 120.386
300I PRO 64 coco2017 box: 32.07, mask: 29.72 118.647

公网地址说明

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