GloRe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

卷积神经网络擅长捕获局部关系，而捕获全局关系效率低下。该网络引入GloRe单元，实现全局推理。该方法主要将一组特征在坐标空间上全局聚合，然后投影到另一个空间，在这个空间推理后用于下游任务，从而实现局部和全局的关系推理。

• 参考实现：

  url=https://github.com/facebookresearch/GloRe
  commit_id=9c6a7340ebb44a66a3bf1945094fc685fb7b730d
  model_name=contrib/cv/classfication/GloRe
  

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 8 x 224 x 224	ND

• 输出数据

  输出数据	数据类型	大小	数据排布格式
  output1	FLOAT32	batchsize x 101	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	22.0.3	Pytorch框架推理环境准备
  CANN	6.0.RC1	-
  Python	3.7.5	-
  PyTorch	1.6.0	-
  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/GloRe -b master 
   cd GloRe
   git reset --hard 9c6a7340ebb44a66a3bf1945094fc685fb7b730d
   cd ..
   

2. 安装依赖。

   pip3 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UCF101数据集。用户需自行获取数据集,并放在当前路径，解压后目录如下

   UCF-101
   ├── ApplyEyeMakeup       
   └── ...             
   

2. 数据预处理，将原始数据集转换为模型输入的数据。

   执行GloRe_preprocess.py脚本，完成预处理。

   python3 GloRe_preprocess.py --data-root ./UCF-101 --save-path bin/bs1 --batch-size 1
   

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/Glore/PTH/GloRe.pth
      

   2. 导出onnx文件。

      1. 使用GloRe_pth2onnx.py导出onnx文件。 运行GloRe_pth2onnx.py脚本。

         python3 GloRe_pth2onnx.py GloRe.pth GloRe.onnx
         

         获得GloRe.onnx文件。

      2. 优化ONNX文件。

         python3 -m onnxsim --input-shape "1,3,8,224,224"  GloRe.onnx GloRe_1bs_sim.onnx
         

         获得GloRe_1bs_sim.onnx文件。

         说明：所有性能数据都是基于优化后的onnx转om测出的

   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=GloRe_1bs_sim.onnx --output=GloRe_bs1 --input_format=NCHW --input_shape="image:1,3,8,224,224" --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。

           运行成功后生成GloRe_bs1.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。

      python3 -m ais_bench --model GloRe_bs1.om --input bin/bs1 --output ./ --output_dirname result --outfmt TXT
      

      • 参数说明：

        • model：om模型
        • input：模型输入数据
        • output：推理结果保存路径
        • output_dirname: 推理结果保存文件夹
        • outfmt：推理结果输出格式

      推理后的输出默认在当前目录result下。

      说明： 执行ais-bench工具请选择与运行环境架构相同的命令

   3. 精度验证。

      调用脚本与数据集标签bs1_target.json比对，可以获得Accuracy数据，结果保存在res_bs1.json中。

       python3.7 GloRe_postprocess.py --i result --t bs1_target.json --o res_bs1.json
      

      • 参数说明：
        • --i：为生成推理结果
        • --t：为标签数据
        • --o：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 -m ais_bench --model=${om_model_path} --loop=20 --batchsize=${batch_size}
      

      • 参数说明：
        • --model：om模型
        • --batchsize：模型batchsize
        • --loop: 循环次数

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	UCF101	acc1:92.12% acc5:99.56%	82
300I Pro	4	UCF101	acc1:92.12% acc5:99.56%	85
300I Pro	8	UCF101	acc1:92.12% acc5:99.56%	83
300I Pro	16	UCF101	acc1:92.12% acc5:99.56%	82
300I Pro	32	UCF101	acc1:92.12% acc5:99.56%	83
300I Pro	64	UCF101	acc1:92.12% acc5:99.56%	82