Conformer_Ti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

Conformer_Ti是一种新型的图像分类网络，由卷积神经网络（CNN）和注意力网络（Transformer）两个分类网络组成。另一个主要特征是FCU模块，该模块允许特征信息在两个学习网络之间交互。这些特征允许Conformer_Ti实现更好的分类性能。

• 参考实现：

  url=https://github.com/pengzhiliang/Conformer
  commit_id=815aaad3ef5dbdfcf1e11368891416c2d7478cb1
  model_name=Conformer_Ti
  

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	1 x 1000	ND

推理环境准备

• 该模型需要以下插件与驱动

配套	版本	环境准备指导
固件与驱动	23.0.RC1	Pytorch框架推理环境准备
CANN	6.3.RC1	-
Python	3.7.5	-
PyTorch	1.7.0	-
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/pengzhiliang/Conformer.git
   patch -p0 ./Conformer/conformer.py conformer_ti_change.patch
   

2. 安装依赖。

   pip3 install -r requirements.txt
   

准备数据集

1. 获取原始数据集。

   用户自行获取原始数据集，可选用的开源数据集为ImageNet2012的验证集，将数据集上传到服务器任意路径下并解压。

   ImageNet2012验证集目录结构参考如下所示。

   ├── ImageNet
      ├── val
      └── val_label.txt 
   

2. 数据预处理。

   执行预处理脚本，生成数据集预处理后的bin文件

   python3 conformer_preprocess.py resnet ImageNet/val ./val_bin
   

   第一个参数为数据集类型，该模型为'resnet'，第二个参数为数据集文件位置，第三个为输出bin文件位置及命名

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。

      Conformer_Ti模型权重

   2. 导出onnx文件。

      1. 使用pth2onnx.py导出onnx文件。

         移动pth2onnx.py文件到Conformer源代码文件夹，并运行pth2onnx.py脚本

         mv conformer_pth2onnx.py ./Conformer/
         python3 ./Conformer/conformer_pth2onnx.py ./Conformer_tiny_patch16.pth ./conformer_ti.onnx
         

         第一个参数为pth文件权重位置，第二个参数为输出onnx文件位置及命名

      2. 优化ONNX文件。

         请访问auto-optimizer推理工具代码仓，根据readme文档进行工具安装。

         运行onnx_optimize.py脚本，优化模型。

         python3 onnx_optimize.py --model_path ./conformer_ti.onnx --batch_size ${bs} --save_path ./conformer_ti_bs${bs}.onnx
         

         • 参数说明：
           • model_path：onnx模型路径。
           • save_path：修改后的onnx模型路径。
           • batch_size：修改后模型batch size。

   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。

         atc --framework=5 --model=conformer_ti_bs${bs}.onnx --output=conformer_ti_bs${bs} --input_format=NCHW --input_shape="image:${bs},3,224,224" --log=error --soc_version={chip_name} --op_precision_mode=./op_precision.ini
         

         • 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。
           • --op_precision_mode: 高性能模式

         运行成功后生成conformer_ti_bs${bs}.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. 执行推理。

      python3 -m ais_bench --model conformer_ti_bs${bs}.om --input val_bin --output out --output_dirname bs${bs} --outfmt TXT 
      

      • 参数说明：

        • model：om模型路径。
        • input：bin文件路径。
        • output：推理结果保存路径。
        • output_dirname：推理结果子目录。
        • outfmt：输出结果格式。

   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 conformer_postprocess.py ./out/bs${bs} ImageNet/val_label.txt ./ result.json
      

      第一个参数为ais_bench输出目录，第二个为数据集配套标签，第三个是生成文件的保存目录，第四个是生成的文件名

   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=conformer_ti_bs${bs}.om --loop=50
      

      • 参数说明：

        • model：om模型路径。
        • loop：推理次数。

      ${bs}表示不同batch的om模型。

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(top1)	性能
300I Pro	1	ImageNet2012	81.09%	393.70
300I Pro	4	ImageNet2012	81.09%	743.04
300I Pro	8	ImageNet2012	81.09%	907.58
300I Pro	16	ImageNet2012	81.09%	869.61
300I Pro	32	ImageNet2012	81.09%	722.53
300I Pro	64	ImageNet2012	81.09%	612.15