3D_ResNet_ID0421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

3D-CNN网络在传统卷积网络的基础上引入了3D卷积，使得模型能够提取数据的时间维度和空间维度特征，从而能够完成更复杂的图像识别或者动作识别任务。3D-ResNets将经典的残差网络结构Resnets与3D卷积结合，在动作识别领域达到了SOA水平。

• 参考实现：

  url=https://github.com/kenshohara/3D-ResNets-PyTorch
  branch=master
  commit_id=540a0ea1abaee379fa3651d4d5afbd2d667a1f49
  

输入输出数据

• 输入数据

  输入数据	大小	数据类型	数据排布格式
  input	10 x 3 x 16 x 112 x 112	FLOAT32	NCDHW

• 输出数据

  输出数据	大小	数据类型	数据排布格式
  output1	10 x 51	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	1.0.16（NPU驱动固件版本为5.1.RC2）	Pytorch框架推理环境准备
  CANN	5.1.RC2	-
  Python	3.7.5	-

快速上手

获取源码

1. 获取源码。

   源码目录结构：

   ├── 3D-ResNets_postprocess.py              //模型后处理脚本  
   ├── 3D-ResNets_preprocess.py               //模型前处理脚本 
   ├── 3D-ResNets_pth2onnx.py                 //用于转换pth文件到onnx文件  
   ├── eval_accuracy.py                          //模型精度输出文件
   ├── resnet.patch                            //修改开源仓resnet.py文件的patch文件
   ├── modelzoo_level.txt                          //模型精度性能结果
   ├── requirements.txt                            //依赖库和版本号
   ├── LICENSE                                     //Apache LICENCE                            
   ├── README.md                                   //模型离线推理说明README
   

2. 获取开源代码仓并整理代码结构。

   git clone https://github.com/kenshohara/3D-ResNets-PyTorch.git
   mv 3D-ResNets_postprocess.py 3D-ResNets_preprocess.py 3D-ResNets_pth2onnx.py eval_accuracy.py 3D-ResNets-PyTorch/
   

3. 修改resnet文件。在源码路径3d_resnets目录下执行patch命令。

   patch -p0 < resnet.patch
   

4. 安装依赖。

   pip3 install -r requirements.txt
   cd 3D-ResNets-PyTorch/
   

准备数据集

1. 获取原始数据集。

   本模型基于hmdb51数据集训练和推理，hmdb51是一个轻量的动作识别数据汇集，包含51种动作的短视频。hmdb51数据集的获取及处理参考源代码仓中Preparation和HMDB-51小节。 数据目录结构请参考：

   ├──hmdb51
       ├──brush_hair
       |  ├──April_09_brush_hair_u_nm_np1_ba_goo_0
       |  |  ├──image_00001.jpg
       |  |  ├──image_00002.jpg
       |  |  ...
       |  ├──April_09_brush_hair_u_nm_np1_ba_goo_1
       |  |  ├──image_00001.jpg
       |  |  ├──image_00002.jpg
       |  |  ...
       |  ...
       ├──cartwheel
       |  ├──(Rad)Schlag_die_Bank!_cartwheel_f_cm_np1_le_med_0
       |     ├──image_00001.jpg
       |     ├──image_00002.jpg
       |     ...
       |  ├──Acrobacias_de_un_fenomeno_cartwheel_f_cm_np1_ba_bad_8
       |     ├──image_00001.jpg
       |     ├──image_00002.jpg
       |     ...
       |  ...
       ...
   

2. 数据预处理。

   数据预处理将图片数据转换为模型输入的二进制数据，将原始数据（.jpg）转化为二进制文件（.bin）。 在3D-ResNets-PyTorch目录下，执行3D-ResNets_postprocess.py脚本。

   python3 3D-ResNets_preprocess.py \
      --video_path=hmdb51 \
      --annotation_path=../hmdb51_1.json \
      --output_path=Binary_hmdb51 \
      --dataset=hmdb51 \
      --inference_batch_size=1
   

   • 参数说明：

     • --video_path：原始数据集的路径。
     • --annotation_path：数据集信息路径。
     • --output_path：输出目录。
     • --dataset：数据集类型，默认hmdb51。
     • --inference_batch_size：推理数据batch_size。

   运行完预处理脚本会在当前目录输出hmdb51.info文件和Binary_hmdb51二进制文件夹，包含视频片段名字和长度信息，用于后处理。

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 save_700.pth，提取码：jctn。

   2. 导出onnx文件。

      将模型权重文件.pth转换为.onnx文件。

      在3D-ResNets-PyTorch目录下，执行3D-ResNets_pth2onnx.py脚本将.pth文件转换为.onnx文件，执行如下命令。

      python3 3D-ResNets_pth2onnx.py \
         --root_path=./ \
         --video_path=hmdb51 \
         --annotation_path=../hmdb51_1.json \
         --result_path=./ \
         --dataset=hmdb51 \
         --model=resnet \
         --model_depth=50 \
         --n_classes=51 \
         --resume_path=save_700.pth
      

      • 参数说明：
        • --root_path：工作目录。
        • --video_path：原始数据验证集所在路径。
        • --annotation_path：hmdb51_1.json文件所在目录。
        • --result_path：生成的中间文件所在目录。
        • --dataset：数据集类型。
        • --model：模型类型。
        • --model_depth：resnet模型的深度。
        • --n_classes：数据集类型数。
        • --resume_path：权重文件所在路径。

      运行成功后，在当前目录生成3D-ResNets.onnx模型文件。

   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
         

         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《CANN 开发辅助工具指南 (推理)》。

      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。此模型当前仅支持batch_size=10。

         atc --model=3D-ResNets.onnx \
            --framework=5 \
            --output=3D-ResNets \
            --input_format=NCHW \
            --input_shape="input:10,3,16,112,112" \
            --log=info \
            --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 3D-ResNets.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. 创建推理结果保存的文件夹。

      mkdir result
      

   3. 执行推理命令。

      python3 -m ais_bench --model=3D-ResNets.om --input=Binary_hmdb51 --output=result --batchsize=10
      

      • 参数说明：

        • --model：模型地址。
        • --input：预处理完的数据集文件夹。
        • --output：推理结果保存路径。
        • --batchsize：om模型的batchsize。

      推理后的输出默认在当前目录result下。

   4. 精度验证。

      1. 运行后处理脚本3D-ResNets_postprocess.py将推理结果处理成json文件。

         python3 3D-ResNets_postprocess.py result/${result_path} 1
         

         • 参数说明：

           • result/${result_path}：ais_bench工具生成的推理结果的路径。
           • 1：选择统计精度的topK的K值，如1表示统计top 1精度。

         运行成功后生成val.json文件。

      2. 运行eval_accuracy.py脚本与数据集标签hmdb51_1.json比对，可以获得Accuracy数据。

         python3 eval_accuracy.py ../hmdb51_1.json val.json --subset=validation -k=1 --ignore
         

         • 参数说明：

           • ../hmdb51_1.json：数据集的标签文件。
           • val.json 是后处理输出的json文件。
           • --subset：选择评测的子集，默认为validation。
           • -k：选择统计精度的topK的K值，如1表示统计top 1精度。
           • --ignore：忽略缺失数据。

   5. 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=3D-ResNets.om --loop=20 --batchsize=10
      

      • 参数说明：
        • --model：om模型的路径
        • --loop: 推理次数
        • --batchsize：om模型的batchsize

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	10	hmdb51	0.6222	830.7165

公网地址说明

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