SCNet模型-推理指导

• 概述

  • 输入输出数据

• 推理环境准备

• 快速上手

  • 获取源码
  • 准备数据集
  • 模型推理

• 模型推理性能&精度

概述

SCNet提出了一种自校正卷积作为一种有效的方法来帮助卷积网络通过增加每层的基本卷积变换来学习判别表示。

• 参考实现：

  url=https://github.com/MCG-NKU/SCNet
  commit_id=c0b5bd6aa919c00afb5815b2810e645e6a4a5976
  code_path=https://gitcode.com/ascend/ModelZoo-PyTorch/tree/master/ACL_PyTorch/built-in/cv/SCNet
  model_name=SCNet
  

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

• 输出数据

  输出数据	数据类型	大小	数据排布格式
  output1	FLOAT32	batchsize x 1000	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	22.0.3	Pytorch框架推理环境准备
  CANN	6.0.RC1	-
  Python	3.7.5	-
  PyTorch	1.8.1	-
  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

1. 获取源码。

   git clone https://github.com/MCG-NKU/SCNet.git
   

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）

   该模型使用ImageNet官网的5万张验证集进行测试，图片与标签分别存放在/local/SCNet/imagenet/val与/local/SCNet/imagenet/val_label.txt。

   imagenet
   ├── val_label.txt    //验证集标注信息       
   └── val             // 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imagenet_torch_preprocess.py脚本，完成预处理。

   python3.7 imagenet_torch_preprocess.py /local/SCNet/imagenet/val ./pre_dataset
   
   

   • 参数说明：

     /local/SCNet/imagenet/val，验证集文件所在路径

     ./pre_dataset，输出的预处理后数据集路径

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。

      进入官方github链接，选择SCNet-50_v1d的权重链接进行下载，放置于SCNet目录下

   2. 导出onnx文件。

      1. 使用pth2onnx.py脚本。

         运行pth2onnx.py脚本。

         python3.7 pth2onnx.py scnet50_v1d-4109d1e1.pth scnet.onnx
         

         获得scnet.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/......
         

      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 --model=./scnet.onnx --framework=5 --output=./scnet_bs{batch size} --input_format=NCHW --input_shape="input:{batch size},3,224,224" --log=debug --soc_version=Ascend310P3
         示例
         atc --model=./scnet.onnx --framework=5 --output=./scnet_bs1 --input_format=NCHW --input_shape="input:1,3,224,224" --log=debug --soc_version=Ascend310P3
         

         • 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scnet_bs1.om模型文件，batch size为4、8、16、32、64的修改对应的batch size的位置即可。

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 ./scnet_bs{batch size}.om --input ./pre_dataset/ --output ./output --output_dirname subdir --outfmt 'TXT' --batchsize {batch size}
      示例
      python3 -m ais_bench --model ./scnet_bs1.om --input ./pre_dataset/ --output ./output --output_dirname subdir --outfmt 'TXT' --batchsize 1
      

      • 参数说明：

        • model：需要推理om模型的路径。
        • input：模型需要的输入bin文件夹路径。
        • output：推理结果输出路径。
        • outfmt：输出数据的格式。
        • output_dirname:推理结果输出子文件夹。

      推理后的输出默认在当前目录output的subdir下。

   3. 精度验证。

      调用vision_metric_ImageNet.py脚本与label比对，可以获得Accuracy Top5数据，结果保存在result.txt中。

       python3.7 vision_metric.py --benchmark_out ./output/subdir/ --anno_file /local/SCNet/imagenet/val_label.txt --result_file ./result.txt
      

      • 参数说明：

        • benchmark_out：为生成推理结果所在路径

        • anno_file：为标签数据所在路径

        • result_file：为生成结果文件所在路径

   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：

      python3.7 -m ais_bench --model=./scnet_bs{batch size}.om --loop=1000 --batchsize={batch size}
      示例
      python3.7 -m ais_bench --model=./scnet_bs1.om --loop=1000 --batchsize=1
      

      • 参数说明：
        • --model：需要验证om模型所在路径
        • --batchsize：验证模型的batch size，按实际进行修改

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	ImageNet	80.34/Top1	956
300I Pro	4	ImageNet	80.34/Top1	2135
300I Pro	8	ImageNet	80.34/Top1	2094
300I Pro	16	ImageNet	80.34/Top1	1785
300I Pro	32	ImageNet	80.34/Top1	1629
300I Pro	64	ImageNet	80.34/Top1	1585