Resnet50-推理指导
概述
Resnet是残差网络(Residual Network)的缩写,该系列网络广泛用于目标分类等领域以及作为计算机视觉任务主干经典神经网络的一部分，典型的网络有resnet50, resnet101等。Resnet网络的证明网络能够向更深（包含更多隐藏层）的方向发展。
-
参考实现：
url=https://pytorch.org/vision/stable/_modules/torchvision/models/resnet.html通过Git获取对应commit_id的代码方法如下：
git clone https://gitcode.com/ascend/ModelZoo-PyTorch.git # 克隆仓库的代码 cd /ACL_PyTorch/built-in/cv/Resnet50_Pytorch_Infer # 切换到模型的代码仓目录 git checkout master # 切换到对应分支
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 224 x 224 NCHW 此处为原始模型的输入尺寸，若 ONNX 转 OM 时使用了 AIPP，且 AIPP 配置文件中加入了改变图片尺寸的操作，比如crop、padding，则 OM 实际输入尺寸为 AIPP 操作前的图像尺寸，其数值应与 AIPP 配置文件中的
src_image_size_w与src_image_size_h两个字段相等。 -
输出数据
输出数据 大小 数据类型 数据排布格式 output1 1 x 1000 FLOAT32 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 | 1.0.15 | Pytorch框架推理环境准备 |
| CANN | 5.1.RC2 | - |
| 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
-
安装依赖。
pip3 install -r requirment.txt
准备数据集
-
获取原始数据集。（解压命令参考tar –xvf *.tar与 unzip *.zip）
本模型使用ImageNet 50000张图片的验证集，请前往ImageNet官网下载数据集
├── ImageNet | ├── val | | ├── ILSVRC2012_val_00000001.JPEG │ | ├── ILSVRC2012_val_00000002.JPEG │ | ├── ...... | ├── val_label.txt -
数据预处理。(请拆分sh脚本，将命令分开填写)
数据预处理将原始数据集转换为模型输入的数据。
执行imagenet_torch_preprocess.py脚本，完成预处理。
python3 imagenet_torch_preprocess.py resnet ./ImageNet/val ./prep_dataset每个图像对应生成一个二进制文件。运行成功后，在当前目录下生成prep_dataset二进制文件夹
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。
前往Pytorch官方文档下载对应权重，参考下载权重如下：
-
导出onnx文件。
-
使用pth2onnx.py导出onnx文件。
运行pth2onnx.py脚本。
python3 pth2onnx.py ./resnet50-0676ba61.pth获得resnet50_official.onnx文件。
-
-
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《环境变量列表》。
-
执行命令查看芯片名称（${chip_name}）。
npu-smi info #该设备芯片名为Ascend310P3 （请根据实际芯片填入） 回显如下： +-------------------+-----------------+------------------------------------------------------+ | NPU Name | Health | Power(W) Temp(C) Hugepages-Usage(page) | | Chip Device | Bus-Id | AICore(%) Memory-Usage(MB) | +===================+=================+======================================================+ | 0 310P3 | OK | 15.8 42 0 / 0 | | 0 0 | 0000:82:00.0 | 0 1074 / 21534 | +===================+=================+======================================================+ | 1 310P3 | OK | 15.4 43 0 / 0 | | 0 1 | 0000:89:00.0 | 0 1070 / 21534 | +===================+=================+======================================================+ -
执行ATC命令。
atc --model=resnet50_official.onnx --framework=5 --output=resnet50_bs64 --input_format=NCHW --input_shape="actual_input_1:64,3,224,224" --enable_small_channel=1 --log=error --soc_version=Ascend${chip_name} --insert_op_conf=aipp_resnet50.aippconfig 备注：Ascend${chip_name}请根据实际查询结果填写-
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: AIPP插入节点，通过config文件配置算子信息，功能包括图片色域转换、裁剪、归一化，主要用于处理原图输入数据，常与DVPP配合使用，详见下文数据预处理。
运行成功后生成resnet50_bs64.om模型文件。
-
-
-
2.开始推理验证。
a. 安装ais_bench推理工具。
请访问[ais_bench推理工具](https://gitee.com/ascend/tools/tree/master/ais-bench_workload/tool/ais_bench)代码仓，根据readme文档进行工具安装。
b. 执行推理。
source /usr/local/Ascend/ascend-toolkit/set_env.sh
python3 -m ais_bench --model ./resnet50_bs64.om --input ./prep_dataset/ --output ./ --output_dirname result --outfmt TXT
- 参数说明：
- --model：模型地址
- --input：预处理完的数据集文件夹
- --output：推理结果保存地址
- --output_dirname: 推理结果保存文件夹
- --outfmt：推理结果保存格式
运行成功后会在result/xxxx_xx_xx-xx-xx-xx（时间戳）下生成推理输出的txt文件。
c. 精度验证。
统计推理输出的Top 1-5 Accuracy 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 vision_metric_ImageNet.py ./result ./val_label.txt ./ result.json
- 参数说明
- val_label.txt：为标签数据
- result.json：为生成结果文件
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 | 64 | ImageNet | top-1: 76.14% top-5: 92.87% |
4250 |