MAE 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

MAE的方法非常简单，随机MASK住图片里的一些块，然后再去重构这些被MASK住的像素。这整个思想也来自 BERT 的带掩码的语言模型，但不一样的是这一个词(patches) 它就是一个 image 的一个块，然后它预测的是你这块里面的所有的像素。

• 论文
  Masked Autoencoders Are Scalable Vision Learners
  Kaiming He∗,† Xinlei Chen∗ Saining Xie Yanghao Li Piotr Dollar Ross Girshick

• 参考实现：
  https://github.com/facebookresearch/mae

输入输出数据

• 模型输入

  input-name	data-type	data-format	input-shape
  image	FLOAT32	NCHW	batch_size x 3 x 224 x 224

• 模型输出

  output-name	data-type	data-format	output-shape
  output1	FLOAT32	ND	batch_size 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

  git clone https://github.com/facebookresearch/mae.git
  cd mae
  git reset --hard be47fef7a727943547afb0c670cf1b26034c3c89
  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。

   python3 MAE_preprocess.py --image-path /opt/npu/imageNet/val --prep-image ./prep_dataset_batch_size1/ --batch-size 1
   

   其中"image-path"表示处理前原数据集的地址，"prep-image"表示生成数据集的文件夹名称(将在文件夹名称后会自动标识对应batchsize，"batch-size"表示生成数据集对应的batchsize（建议使用默认值1,即可支持所有batchsize的推理）

   运行后，将会得到如下形式的文件夹：

   ├── prep_dataset_batch_size1
   │    ├──input_00000.bin
   │    ├──......     	 
   

模型转换

1. PyTroch 模型转 ONNX 模型

   使用开源仓提供的mae_finetuned_vit_base.pth

   链接：https://pan.baidu.com/s/1FwIK2db5nojOT7YC6rI1Hg 提取码：1234

   然后执行执行以下命令生成 ONNX 模型：

   python3 MAE_pth2onnx.py --source "./mae_finetuned_vit_base.pth" --target "./mae_dynamicbatch_size.onnx"
   

   参数说明：

   • --source: 预训练权重文件的路径。若不指定，则会通过在线方式获取。
   • --target: 生成ONNX模型的保存路径

2. 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
   batch_size=1  # 根据需要自行设置 
   
   
   # 执行 ATC 进行模型转换
   atc --model=./mae_dynamicbatch_size.onnx \
       --framework=5 \
       --output=mae_batch_size${batch_size} \
       --input_format=NCHW \
       --input_shape="image:${batch_size},3,224,224" \
       --log=error \
       --optypelist_for_implmode="Gelu" \
       --soc_version=Ascend${chip_name} \
       --op_select_implmode=high_performance \
       --enable_small_channel=1
   

   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
   • --optypelist_for_implmode: 列举算子optype的列表
   • --enable_small_channel: 是否使能small channel的优化

推理验证

1. 对数据集推理
   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。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 mae_batch_size${batch_size}.om \
       --input ./prep_dataset_batch_size1/ \ 
       --output ./result/ \
       --outfmt TXT \
       --batchsize ${batch_size}
   

   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
   • --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

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 mae_batch_size${batch_size}.om --batchsize ${batch_size}
   

   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 MAE_postprocess.py \
       --folder-davinci-target ./result/ \
       --annotation-file-path ./ILSVRC2012/val_label.txt \
       --result-json-path ./result \
       --json-file-name result_batch_size1.json \
       --batch-size 1
   

   参数说明：

   • --folder-davinci-target: 存放推理结果的目录路径
   • --annotation-file-path: 标签文件路径
   • --result-json-path: 精度文件保存路径。
   • --json-file-name: 精度文件名。
   • --batch-size: 输入文件数量，当使用ais_bench工具推理时，参数为1。

   运行成功后，程序会将各top1~top5的正确率记录在 result_batch_size1.json 文件中，可执行以下命令查看：

   python3 -m json.tool result_batch_size1.json
   

---

性能&精度

芯片型号	BatchSize	数据集	精度	性能
300I Pro	1	ILSVRC2012	Top1Acc=83.52%	266.8 fps
300I Pro	4	ILSVRC2012	Top1Acc=83.52%	75.0 fps
300I Pro	8	ILSVRC2012	Top1Acc=83.52%	50.9 fps
300I Pro	16	ILSVRC2012	Top1Acc=83.52%	20.4 fps
300I Pro	32	ILSVRC2012	Top1Acc=83.52%	8.5 fps
300I Pro	64	ILSVRC2012	Top1Acc=83.52%	4.5 fps