LV-Vit 模型推理指导

• 概述
  • 输入输出数据
• 推理环境
• 快速上手
  • 准备数据集
  • 模型转换
  • 推理验证
• 性能&精度

---

概述

在本文中，提出了一个新的Vision Transformer训练方式称为LV-ViT，同时利用了patch token 和class token。该方法采用机器注释器生成的K维分数图作为监督，以密集方式监督所有token，其中K是目标数据集的类别数。通过这种方式，每个patch token显式地与指示相应图像patch内存在目标物体的单个位置特定监督相关联，从而在计算开销可以忽略不计的情况下提高vision Transformer的物体识别能力。这是首次证明密集监控有利于图像分类中的vision Transformer的工作。

• 论文
  LV-Vit论文 Zihang Jiang, Qibin Hou, Li Yuan, Daquan Zhou, Yujun Shi, Xiaojie Jin, Anran Wang, Jiashi Feng

• 参考实现：

  https://github.com/zihangJiang/TokenLabeling.git
  branch:master  
  commit_id:2a217161fd5656312c8fac447fffbb6b3c091af7
  

输入输出数据

• 模型输入

  input-name	data-type	data-format	input-shape
  actual_input_1	FLOAT32	NCHW	bs x 3 x 224 x 224

• 模型输出

  output-name	data-type	data-format	output-shape
  output1	FLOAT32	ND	bs x 1000

---

推理环境

• 该模型推理所需配套的软件如下：

  配套	版本	环境准备指导
  固件与驱动	1.0.17	Pytorch框架推理环境准备
  CANN	6.0.RC1	-
  Python	3.7.5	-

  说明：请根据推理卡型号与 CANN 版本选择相匹配的固件与驱动版本。

---

快速上手

安装

• 安装推理过程所需的依赖

  pip3 install -r requirements.txt
  

• 获取源码

  cd LV-Vit
  
  git clone https://github.com/zihangJiang/TokenLabeling.git
  cd TokenLabeling
  patch -p1 < ../LV-Vit.patch
  cd ..
  

准备数据集

1. 获取原始数据集
   本模型推理项目使用 ILSVRC2012 数据集验证模型精度，请在 ImageNet官网 自行下载，并按照以下的目录结构存放图片与标签文件。

   ILSVRC2012
   ├── val_label.txt
   ├── images
   │   ├── ILSVRC2012_val_00000001.jpeg
   │   ├── ILSVRC2012_val_00000002.jpeg
   │   .....
   │   ├── ILSVRC2012_val_00050000.jpeg
   

2. 数据预处理
   执行前处理脚本将原始数据转换为OM模型输入需要的bin/npy文件。

   mkdir -p prep_dataset
   python3 LV_Vit_preprocess.py --src_path ${datasets_path}/ILSVRC2012/images --save_path ./prep_dataset
   

   其中"datasets_path"表示处理前原数据集的地址，"prep_dataset"表示生成数据集的文件夹名称。

   运行后，将会得到如下形式的文件夹：

   ├── prep_dataset
   │    ├──input_00000.bin
   │    ├──......     	 
   

模型转换

1. 下载pth权重文件
   LV-Vit预训练pth权重文件

   然后执行执行以下命令生成 ONNX 模型：

   python3 LV_Vit_pth2onnx.py --model_path ./model/lvvit_s-26M-224-83.3.pth.tar --onnx_path ./model/model_best_bs1.onnx --batch_size 1
   

   参数说明：

   • --model_path : 权重文件路径
   • --onnx_path : 输出onnx的文件路径
   • --batch_size ：输出onnx的可输入数据量

2. 使用 onnxsim 工具优化onnx模型

   python3 -m onnxsim --input-shape="1,3,224,224" ./model/model_best_bs1.onnx ./model/model_best_bs1_sim.onnx
   

   参数说明：

   • --input-shape: 输入模型的宽高

3. ONNX 模型转 OM 模型

   step1: 查看NPU芯片名称 ${chip_name}

   npu-smi info
   

   例如该设备芯片名为 310P3，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                            |
   +===================+=================+======================================================+
   

   step2: ONNX 模型转 OM 模型

   # 配置环境变量
   source /usr/local/Ascend/ascend-toolkit/set_env.sh
   
   chip_name=310P3  # 根据 step1 的结果设值
   bs=1  # 根据需要自行设置 
   
   
   # 执行 ATC 进行模型转换
   atc --model=./model/model_best_bs1_sim.onnx \
       --framework=5 \
       --output=./model/model_best_bs1_sim \
       --input_format=NCHW \
       --input_shape="image:1,3,224,224" \
       --log=error \
       --soc_version=Ascend${chip_name} \
   

   参数说明：

   • --framework: 5代表ONNX模型
   • --model: ONNX模型路径
   • --input_shape: 模型输入数据的shape
   • --input_format: 输入数据的排布格式
   • --output: OM模型路径，无需加后缀
   • --log：日志级别
   • --soc_version: 处理器型号

推理验证

1. 对数据集推理
   该离线模型使用ais_infer作为推理工具，请参考安装文档安装推理后端包aclruntime与推理前端包ais_bench。完成安装后，执行以下命令预处理后的数据进行推理。

   python3 -m ais_bench \
       --model ./model/model_best_bs1_sim.om \
       --input ./prep_dataset/ \ 
       --output ./ \
       --output_dirname ./result/ \
       --outfmt TXT \
       --batchsize 1
   

   参数说明：

   • --model: OM模型路径
   • --input: 存放预处理后数据的目录路径
   • --output: 用于存放推理结果的父目录路径
   • --output:_dirname 用于存放推理结果的子目录名，位于--output指定的目录下
   • --outfmt: 推理结果文件的保存格式
   • --batchsize: 模型每次输入bin文件的数量,本例中为1。

2. 性能验证
   对于性能的测试，需要注意以下三点：

   • 测试前，请通过npu-smi info命令查看NPU设备状态，请务必在NPU设备空闲的状态下进行性能测试。
   • 为了避免测试过程因持续时间太长而受到干扰，建议通过纯推理的方式进行性能测试。
   • 使用吞吐率作为性能指标，单位为 fps，反映模型在单位时间（1秒）内处理的样本数。

   python3 -m ais_bench --model ./model/model_best_bs1_sim.om --batchsize ${bs}
   

   执行完纯推理命令，程序会打印出与性能相关的指标，找到以关键字 [INFO] throughput 开头的一行，行尾的数字即为 OM 模型的吞吐率。

3. 精度验证

   执行后处理脚本，根据推理结果计算OM模型的精度：

   python3 LV_Vit_postprocess.py --result_path ./result/dumpOutput_device0 --annotation_path ./ILSVRC2012/val.txt
   

   参数说明：

   • --result_path: 存放推理结果的目录路径
   • --annotation_path: 标签文件路径

   控制台输出如下信息

   accuracy: 0.8317
   

---

性能&精度

芯片型号	BatchSize	数据集	精度	性能
300I Pro	1	ILSVRC2012	Top1Acc=83.17%	59.2 fps
300I Pro	4	ILSVRC2012	Top1Acc=83.17%	76.0 fps
300I Pro	8	ILSVRC2012	Top1Acc=83.17%	59.9 fps
300I Pro	16	ILSVRC2012	Top1Acc=83.17%	26.4 fps
300I Pro	32	ILSVRC2012	Top1Acc=83.17%	11.5 fps
300I Pro	64	ILSVRC2012	Top1Acc=83.17%	5.1 fps