CSPResNeXt50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

CSPResNeXt50提出了跨阶段局部网络（CSPNet），用来缓解以往工作需要从网络架构角度进行大量推理计算的问题，把这个问题归结为网络优化中的[重复梯度信息]。CSPNet通过整合网络阶段开始和结束的特征图来尊重梯度的可变性，在实验中，该方法减少了20%的计算量。

• 参考实现：

  url=https://github.com/rwightman/pytorch-image-models
  commit_id=d584e7f617a4d0f1a0b4838227bd1f8852dfa236
  model_name=CSPResNeXt50
  

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	ND

• 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	22.0.2	Pytorch框架推理环境准备
  CANN	6.0.RC1	-
  Python	3.7.5	-
  PyTorch	1.8.0	-
  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

获取源码

1. 获取源码。

   git clone https://github.com/rwightman/pytorch-image-models.git
   cd pytorch-image-models            
   git reset --hard d584e7f617a4d0f1a0b4838227bd1f8852dfa236
   cd ..
   

2. 安装依赖。

   pip 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）

   本模型使用ImageNet官网的5万张验证集进行测试，以ILSVRC2012为例，用户需获取ILSVRC2012数据集，并上传到服务器，图片与标签分别存放在./imagenet/val与./imageNet/val_label.txt。

   ├── imagenet
       ├── val
       ├── val_label.txt 
   

2. 数据预处理，将原始数据集转换为模型输入的数据。

   执行cspresnext_preprocess.py脚本，完成预处理。

   python cspresnext_preprocess.py ./imageNet/val ./prep_dataset 
   

   • 参数说明：

     • 第一个参数：数据集
     • 第二个参数：预处理保存地址

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。

2. 获取权重文件 cspresnext50_ra_224-648b4713.pth

3. 导出onnx文件。

   1. 使用cspresnext_pth2onnx.py导出onnx文件。

      python cspresnext_pth2onnx.py --pth=cspresnext50_ra_224-648b4713.pth --onnx=cspresnext.onnx
      

      • pth：pth权重文件
      • onnx：onnx文件名

      获得cspresnext.onnx文件。

4. 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=./cspresnext.onnx \
          --input_format=NCHW \
          --input_shape="image:${bs},3,224,224" \
          --output=cspresnext_bs${bs} \
          --log=debug \
          --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cspresnext_bs${bs}.om模型文件。

5. 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。

      python -m ais_bench --model=cspresnext_bs${bs}.om --input=./prep_dataset/ --output=./ --output_dirname=result --outfmt=TXT --batchsize=${bs}
      

      • 参数说明：
        • model：om文件路径。
        • input：预处理文件。
        • output：推理文件保存路径
        • output_dirname：推理文件保存目录

      推理后的输出保存在当前目录result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

      python3 cspresnext_postprocess.py --result_path=./result_summary.json --gtfile_path=./imageNet/val_label.txt
      

      • 参数说明：
        • result_path：推理生成结果信息的json文件
        • gtfile_path：数据集标签

   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：

       python -m ais_bench --model=cspresnext_bs${bs}.om --loop=100 --batchsize=${bs}
      

      • 参数说明：
        • --model：om文件路径。
        • --batchsize：batchsize大小

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	79.79%	1498
300I Pro	4	ImageNet	79.79%	3251
300I Pro	8	ImageNet		2998
300I Pro	16	ImageNet		2454
300I Pro	32	ImageNet		2289
300I Pro	64	ImageNet		1888