GhostNet1.0x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

GhostNet是华为诺亚方舟实验室提出的一个新型神经网络结构，其中的Ghost Module和深度分离卷积就很类似，不同之处在于先进行PointwiseConv，后进行DepthwiseConv，另外增加了DepthwiseConv的数量，包括一个恒定映射。

• 参考实现：

  url=https://github.com/huawei-noah/CV-Backbones
  branch=master
  commit_id=5a06c87a8c659feb2d18d3d4179f344b9defaceb
  model_name=GhostNet1.0x
  

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	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/huawei-noah/CV-Backbones.git
   cd CV-Backbones
   git reset --hard 5a06c87a8c659feb2d18d3d4179f344b9defaceb
   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Ghostnet_preprocess.py脚本，完成预处理。

   python Ghostnet_preprocess.py ./imagenet/val ./prep_dataset
   

   • 参数说明：

     • 第一个参数为数据集目录。
     • 第二个参数为预处理保存目录。

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。

      下载pth权重文件GhostNet预训练pth权重文件或是执行下述命令获取

      wget http://github.com/huawei-noah/CV-Backbones/raw/master/ghostnet_pytorch/models/state_dict_73.98.pth
      

   2. 导出onnx文件。

      1. 使用Ghostnet_pth2onnx.py导出onnx文件。

         运行Ghostnet_pth2onnx.py脚本。

         python Ghostnet_pth2onnx.py state_dict_73.98.pth Ghostnet.onnx
         

         获得Ghostnet.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=./Ghostnet.onnx \
             --input_format=NCHW \
             --input_shape="image:${bs},3,224,224" \
             --output=ghostnet_bs${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ghostnet_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。

      python -m ais_bench \
           --model=ghostnet_bs${bs}.om \
           --input=./prep_dataset \
           --output=./ \
           --output_dirname=./result \
           --batchsize=${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

      推理后的输出默认在当前目录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。

      python Ghostnet_postprocess.py --result_path=result_summary.json --gt_path=./imagenet/val_label.txt
      

      • 参数说明：

        • result_path：推理结果生成的json信息文件

        • gt_path：为标签数据

   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=ghostnet_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	imagenet	73.98%	1801
300I Pro	4	imagenet		3632
300I Pro	8	imagenet		4974
300I Pro	16	imagenet		4292
300I Pro	32	imagenet		3519
300I Pro	64	imagenet		3058