EfficientNet-B5模型PyTorch离线推理指导

• 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

EfficientNet是图像分类网络，在ImageNet上性能优异，并且在常用迁移学习数据集上达到了相当不错的准确率，参数量也大大减少，说明其具备良好的迁移能力，且能够显著提升模型效果。EfficientNet-B5在EfficientNet-B0的基础上，利用NAS搜索技术，对输入分辨率Resolution、网络深度Layers、网络宽度Channels三者进行综合调整的结果。

• 参考实现：

  url=https://github.com/facebookresearch/pycls
  

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	FLOAT32	batchsize x 3 x 456 x 456	NCHW

• 输出数据

  输出数据	数据类型	大小	数据排布格式
  output	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 | CANN推理架构准备 | | Python | 3.7.5 | 创建anaconda环境时指定python版本即可，conda create -n ${your_env_name} python==3.7.5 | | PyTorch | 1.11.0 | - | | 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/facebookresearch/pycls
   cd pycls
   git reset f20820e01eef7b9a47b77f13464e3e77c44d5e1f --hard
   cd ..
   

2. 安装依赖，测试环境时可能已经安装其中的一些不同版本的库，故手动测试时不推荐使用该命令安装

   pip3.7 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 50000张图片的验证集，请参考ImageNet官网下载和处理数据集

   处理完成后获得分目录的图片验证集文件，目录结构如下：

   imagenet/ILSVRC2012_img_val/
      |-- ILSVRC2012_val_00000293.JPEG
      |-- ILSVRC2012_val_00002138.JPEG
      |-- ......
   

2. 数据预处理。

   数据预处理将原始数据集（.jpeg）转换为模型输入的二进制文件（.bin）。

   执行imagenet_torch_preprocess.py脚本，完成预处理。

   python3.7 imagenet_torch_preprocess.py efficientnetB5 ./ImageNet/ILSVRC2012_img_val ./prep_dataset
   

   • 参数说明：
     • efficientnetB5：默认输入。
     • ./dataset/ImageNet/ILSVRC2012_img_val：为验证集路径。
     • ./prep_dataset：为预处理后生成的二进制文件的存储路径。

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。

      wget https://ascend-repo-modelzoo.obs.cn-east-2.myhuaweicloud.com/model/1_PyTorch_PTH/EfficientNet-B5/PTH/efficientnetb5.pyth
      

   2. 导出onnx文件。

      1. 使用efficientnetB5_pth2onnx.py导出onnx文件。

         运行efficientnetB5_pth2onnx.py脚本。

         python3.7 efficientnetB5_pth2onnx.py efficientnetb5.pyth ./pycls/configs/dds_baselines/effnet/EN-B3_dds_8gpu.yaml efficientnetb5.onnx
         

         获得efficientnetB5.onnx文件。

      2. 优化ONNX文件。

         python3.7 -m onnxsim --overwrite-input-shape="image:64,3,456,456" ./efficientnetb5.onnx bs64_onnxsim.onnx
         

         获得bs64_onnxsim.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/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=./bs64_onnxsim.onnx --input_format=NCHW --input_shape="image:64,3,456,456" --output=efficientnetb5_bs64 --log=debug --soc_version=Ascend${chip_name}  
         

         • 参数说明：

           • --framework：5代表ONNX模型。
           • --model：为ONNX模型文件。
           • --input_format：输入数据的格式。
           • --input_shape：输入数据的shape。
           • --output：输出的OM模型（bs后的数字为batchsize的大小）。
           • --log：日志级别。
           • --soc_version：处理器型号。

           运行成功后生成efficientnetb5_bs64.om模型文件。

2. 开始推理验证。

   1. 使用ais_bench工具进行推理。

      ais_bench工具获取及使用方式请点击查看ais_bench 推理工具使用文档

   2. 执行推理。

      source /usr/local/Ascend/ascend-toolkit/set_env.sh
      mkdir outputs
      python3.7 -m ais_bench --model ./efficientnetb5_bs64.om --input ./prep_dataset  --output ./outputs --outfmt TXT --device 0   
      

      • 参数说明：

        • --model：om文件路径。
        • --input：模型需要的输入(预处理后的生成文件)。
        • --output：为推理数据输出路径。
        • --outfmt：输出数据的格式，可取值“NPY”、“BIN”、“TXT”。

      推理后的输出在output参数对应路径的文件outputs里。

   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。

      python3.7 vision_metric_ImageNet.py ./outputs/${2022_{}_{}-{}_{}_{}}/ ./val_label.txt ./ result.json
      

      • 参数说明
        • ./outputs/${2022_{}_{}-{}_{}_{}}/：为生成推理结果所在路径
        • ./val_label.txt：为标签数据
        • result.json：为生成结果文件

   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：

      python3.7 -m ais_bench --model=efficientnetb5_bs64.om
      

      • 参数说明
        • --model：om模型文件路径

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	精度TOP5	性能
300I Pro	1	ImageNet	77.2	92.8	65.462
300I Pro	4	ImageNet	77.2	92.8	161.258
300I Pro	8	ImageNet	77.2	92.8	163.663
300I Pro	16	ImageNet	77.2	92.8	163.955
300I Pro	32	ImageNet	77.2	92.8	163.940
300I Pro	64	ImageNet	77.2	92.8	166.408