Efficient-3DCNNs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

• 模型推理精度&性能

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。Efficient-3DCNNs将高效的MobileNetV2与3D卷积结合，在动作识别领域取得了最好的水平。

• 参考论文：Okan Köpüklü, Neslihan Kose, Ahmet Gunduz, Gerhard Rigoll. Resource Efficient 3D Convolutional Neural Networks.(2019))

• 参考实现：

  url= https://github.com/okankop/Efficient-3DCNNs
  branch=master 
  commit_id=d60c6c48cf2e81380d0a513e22e9d7f8467731af
  

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	batchsize x 3 x 16 x 112 x 112	RGB	NCHW

• 输出数据

  输出数据	大小	数据类型	数据排布格式
  output1	batchsize x 101	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. 获取开源代码仓。 在已下载的源码包根目录下，执行如下命令。

   git clone https://github.com/okankop/Efficient-3DCNNs
   

2. 安装源码包中的依赖。

   pip install -r requirements.txt
   

准备数据集

1. 获取原始数据集。

   本模型基于UCF-101训练和推理，UCF-101是一个轻量的动作识别数据汇集，包含101种动作的短视频。请用户自行获取UCF-101数据集，上传数据集到服务器任意目录并解压（如Efficient-3DCNNs/datasets）。

   数据集文件夹结构如下：

   UCF-101
      ├──dir1
          ├── video.avi
      ├──dir2
          ├── video.avi
   

2. 将视频提取为图片

   1. 在任意目录下载并解压ffmpeg（如：Efficient-3DCNNs/datasets）

      cd datasets
      wget https://johnvansickle.com/ffmpeg/builds/ffmpeg-git-amd64-static.tar.xz
      xz -d ffmpeg-git-amd64-static.tar.xz
      tar -xvf ffmpeg-git-amd64-static.tar
      cd ..
      

   2. 将ffmpeg文件添加到/bin目录下。

      cd /bin 
      ln -s ${root_path}/datasets/ffmpeg-git-20210908-amd64-static/ffmpeg ffmpeg 
      ln -s ${root_path}/datasets/ffmpeg-git-20210908-amd64-static/ffprobe ffprobe
      cd -
      

      注意：ffmpeg-git-20210908-amd64-static名字会有所不同，需要自行更改。

   3. 在datasets目录下新建rawframes文件夹，运行Efficient-3DCNNs文件夹下的脚本将数据格式转为从视频帧中提取的图片。

      mkdir datasets/rawframes
      python Efficient-3DCNNs/utils/video_jpg_ucf101_hmdb51.py datasets/UCF-101/ datasets/rawframes 
      python Efficient-3DCNNs/utils/n_frames_ucf101_hmdb51.py datasets/rawframes
      

3. 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。

   执行Efficient-3DCNNs_preprocess.py脚本。需要根据不同的batchsize完成不同的数据预处理。

   cp Efficient-3DCNNs/annotation_UCF101/ucf101_01.json .
   python Efficient-3DCNNs_preprocess.py --video_path=datasets/rawframes --annotation_path=ucf101_01.json --output_path=bin_path --info_path=ucf101_bs1.info --inference_batch_size=1
   

   • 参数说明：
     • --video_path：为原始数据集（rawframes）路径。
     • --annotation_path：数据集信息路径
     • --output_path：为模型输入数据（.bin）存储路径。
     • --inference_batch_size：batchsize的大小。
     • --info_path: 生成info文件的路径。

   执行成功后，在当前目录生成·bin_path，保存着预处理后的数据文件。

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 ucf101_mobilenetv2_1.0x_RGB_16_best.pth，放在当前目录下。

   2. 导出onnx文件。

      使用ucf101_mobilenetv2_1.0x_RGB_16_best.pth导出onnx文件。

      运行Efficient-3DCNNs_pth2onnx.py脚本。

      python Efficient-3DCNNs_pth2onnx.py ucf101_mobilenetv2_1.0x_RGB_16_best.pth Efficient-3DCNNs.onnx
      

      • 参数说明：
        • ucf101_mobilenetv2_1.0x_RGB_16_best.pth：权重pth文件路径。
        • Efficient-3DCNNs.onnx：输出onnx文件路径。

      获得Efficient-3DCNNs.onnx文件。

   3. 简化onnx模型。

       pip install onnx-simplifier
      python -m onnxsim Efficient-3DCNNs.onnx Efficient-3DCNNs_sim.onnx --input-shape "1,3,16,112,112" --dynamic-input-shape
      

      获得Efficient-3DCNNs_sim.onnx模型。

   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
         

         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
         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              | 17.6         57                0    / 0              |
         | 0       0         | 0000:3B:00.0    | 0            936 / 21534                            |
         +===================+=================+======================================================+
         

      3. 执行ATC命令。

         atc --framework=5 --model=Efficient-3DCNNs_sim.onnx --output=Efficient-3DCNNs_bs1 --input_format=NCHW --input_shape="image:1,3,16,112,112" --log=error --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。

         运行成功后在onnx2om目录下生成 Efficient-3DCNNs_bs1.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。

      执行命令

      python -m ais_bench --model Efficient-3DCNNs_bs1.om --input bin_path --output result --output_dirname dumpout_bs1 --outfmt BIN --batchsize 1
      

      • 参数说明：
        • --model：om模型的路径。
        • --input：输入模型的二进制文件路径。
        • --output：推理结果输出目录。
        • --output_dirname：推理结果输出的二级目录名。
        • --batchsize：输入数据的batchsize。

      推理后的输出在当前目录result下。

   3. 精度验证。

      调用Efficient-3DCNNs_postprocess.py脚本与数据集标签ucf101_01.json比对，可以获得Accuracy数据，保存在result_b1.json。

      python Efficient-3DCNNs_postprocess.py --result_path=result/dumpout_bs1 --info_path=ucf101_bs1.info --annotation_path=ucf101_01.json --acc_file=result_bs1.json
      

      • 参数说明：
        • --result_path：推理结果路径。
        • --info_path：预处理生成的数据集info文件。
        • --annotation_path：标签json文件。
        • --acc_file：推理结果的accuracy数据。 获得result_bs1.json文件

   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=${om_model_path} --loop=20 --batchsize=${batch_size}
      

      • 参数说明：
        • --model：om模型的路径。
        • --batchsize：数据集的batchsize。
        • --loop：循环的次数。

模型推理性能&精度

芯片型号	Batch Size	数据集	精度	性能
300I Pro	1	UCF-101	top1:0.81073 top5:0.96325	1158.0105
300I Pro	4	UCF-101	top1:0.81073 top5:0.96325	1245.1167
300I Pro	8	UCF-101	top1:0.81073 top5:0.96325	1110.4093
300I Pro	16	UCF-101	top1:0.81073 top5:0.96325	978.0638
300I Pro	32	UCF-101	top1:0.81073 top5:0.96325	977.8292
300I Pro	64	UCF-101	top1:0.81073 top5:0.96325	1009.593