GaitSet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

GaitSet是一个灵活、有效和快速的跨视角步态识别网络，迁移自https://github.com/AbnerHqC/GaitSet

• 参考实现：

  url=https://github.com/AbnerHqC/GaitSet
  commit_id=14ee4e67e39373cbb9c631d08afceaf3a23b72ce
  model_name=GaitSet
  

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 100 x 64 x 44	NCHW

• 输出数据

  输出数据	数据类型	大小	数据排布格式
  output1	FLOAT32	batchsize x 62 x 256	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	1.5.0	-
  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/AbnerHqC/GaitSet.git
   cd GaitSet
   git reset --hard 14ee4e67e39373cbb9c631d08afceaf3a23b72ce
   patch -p1 < ../change.patch
   

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） 本模型支持CASIA-B图片的验证集。下载地址http://www.cbsr.ia.ac.cn/english/Gait Databases.asp ，只下载DatasetB数据集。

   下载后的数据集内的压缩文件需要全部解压，解压后数据集内部的目录应为（GaitDatasetB-silh数据集）：数据集路径/对象序号/行走状态/角度，如

   GaitDatasetB-silh
   ├── 001      
   └── 002
   

2. 数据预处理，将原始数据集转换为模型输入的数据。

   执行GaitSet_preprocess_step1.py脚本

   python GaitSet_preprocess_step1.py --input_path=./GaitDatasetB-silh --output_path=./predata
   

   • 参数说明：

     • input_path：数据集地址
     • output：初步预处理保存地址

   执行GaitSet_preprocess_step2.py脚本，完成预处理

   mkdir CASIA-B-bin
   python GaitSet_preprocess_step2.py --data_path=./predata --bin_file_path=./CASIA-B-bin/
   

   • 参数说明：

     • data_path：初步预处理结果
     • bin_file_path：预处理数据地址

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。

   1. 获取权重文件。 源码仓中存在权重文件，地址是GaitSet/work/checkpoint/GaitSet/GaitSet_CASIA-B_73_False_256_0.2_128_full_30-80000-encoder.ptm

   2. 导出onnx文件。

      1. 使用GaitSet_pth2onnx.py导出onnx文件。

         运行GaitSet_pth2onnx.py脚本。

         python GaitSet_pth2onnx.py --input_path=./GaitSet/work/checkpoint/GaitSet/GaitSet_CASIA-B_73_False_256_0.2_128_full_30-80000-encoder.ptm
         

         获得XXX.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=gaitset_submit.onnx \
             --output=gaitset_submit_bs${bs} \
             --input_shape="image_seq:${bs},100,64,44" \
             --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gaitset_submit_bs${bs}.om模型文件。

2. 开始推理验证。根据实际推理工具编写

   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=gaitset_submit_bs${bs}.om --input=./CASIA-B-bin --output=./ --output_dirname=./result --batchsize=${batch_size}     
      

      • 参数说明：

        • model：om模型地址
        • input：预处理数据
        • output：推理结果保存路径
        • output_dirname:推理结果保存子目录

      推理后的输出保存在当前目录result下。

   3. 精度验证。

      调用脚本GaitSet_postprocess.py，可以获得Accuracy数据。

      python GaitSet_postprocess.py --output_path=./result
      

      • 参数说明：

        • output_path：推理结果保存地址

   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=gaitset_submit_bs${bs}.om --loop=100 --batchsize=${batch_size}
      

      • 参数说明：
        • --model：om模型路径
        • --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	GaitDatasetB-silh	95.512%	606
300I Pro	4	GaitDatasetB-silh		696
300I Pro	8	GaitDatasetB-silh		703
300I Pro	16	GaitDatasetB-silh		714
300I Pro	32	GaitDatasetB-silh		720
300I Pro	64	GaitDatasetB-silh		723