PAMTRI模型-推理指导
概述
PAMTRI是一种姿态感知多任务重新识别框架，它通过关键点、热图和来自姿态估计的片段明确推理车辆姿态和形状，从而克服了视点依赖性，并在执行 ReID 时联合对语义车辆属性（颜色和类型）进行分类，通过具有嵌入式姿势表示的多任务学习。本文档描述的PAMTRI是基于PyTorch实现的版本。
-
参考实现：
url=https://github.com/NVlabs/PAMTRI commit_id=a835c8cedce4ada1bc9580754245183d9f4aaa17 code_path=PAMTRI/MultiTaskNet model_name=MultiTaskNet
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 256 x 256 NCHW -
输出数据
输出数据 数据类型 大小 数据排布格式 output1 FLOAT32 1 x 1024 ND output2 FLOAT32 1 x 10 ND output3 FLOAT32 1 x 9 ND output4 FLOAT32 1 x 575 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 1.0.15 Pytorch框架推理环境准备 CANN 5.1.RC2 - Python 3.7.13 - PyTorch 1.9.0 - 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
-
获取源码。
在已下载的源码包根目录下，执行如下命令。
git clone https://github.com/NVlabs/PAMTRI cd PAMTRI/MultiTaskNet git checkout master git reset --hard 25564bbebd3ccf11d853a345522e2d8c221b275d patch -p1 < ../../densenet.patch cd - -
安装依赖。
pip install -r requirements.txt
准备数据集
-
获取原始数据集。
本模型使用veri数据集，用户需自行获取数据集，参考 PROVID Progressive and Multi-modal Vehicle Re-identification for Large-scale Urban Surveillance (vehiclereid.github.io) 获取数据集，将获取到的VeRi数据集内容解压至
MultiTaskNet/data文件夹内。目录结构如下：data ├──veri //veri数据集 ├── image_train //VeRi数据集训练数据，本推理不需使用 └── image_query //VeRi数据集验证数据 └── image_test //VeRi数据集测试数据 └── label_train.csv //VeRi数据集训练数据的标签数据 └── label_query.csv //VeRi数据集验证数据的标签数据 └── label_test.csv //VeRi数据集测试数据的标签数据 -
数据预处理，将原始数据集转换为模型输入的数据。
执行PAMTRI_preprocess.py脚本，完成预处理。
python PAMTRI_preprocess.py \ --query_dir PAMTRI/MultiTaskNet/data/veri/image_query \ --gallery_dir PAMTRI/MultiTaskNet/data/veri/image_test \ --save_query ./prep_dataset_query \ --save_gallery ./prep_dataset_gallery- 参数说明
- --save_query：输出query的二进制文件（.bin）所在路径。
- --save_gallery：输出gallery的二进制文件（.bin）所在路径。
- --query_dir：query数据集的路径。
- --gallery_dir：gallery数据集的路径。
- 参数说明
模型推理
-
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。
-
获取权重文件。
权重文件都存放在源码库的models目录下，可直接使用
-
导出onnx文件。
使用PAMTRI_pth2onnx.py导出onnx文件。
python PAMTRI_pth2onnx.py \ --load-weights models/densenet121-xent-htri-veri-multitask/model_best.pth.tar \ --output_path ./PAMTRI_dynamic.onnx \ --multitask获得PAMTRI_dynamic.onnx文件。
-
使用ATC工具将ONNX模型转OM模型。
-
配置环境变量。
source /usr/local/Ascend/ascend-toolkit/set_env.sh -
执行命令查看芯片名称（${chip_name}）。
npu-smi info #该设备芯片名为Ascend310P3 （自行替换） 回显如下： +-------------------+-----------------+------------------------------------------------------+ | NPU Name | Health | Power(W) Temp(C) Hugepages-Usage(page) | | Chip Device | Bus-Id | AICore(%) Memory-Usage(MB) | +===================+=================+======================================================+ | 0 310P3 | OK | 15.8 42 0 / 0 | | 0 0 | 0000:82:00.0 | 0 1074 / 21534 | +===================+=================+======================================================+ | 1 310P3 | OK | 15.4 43 0 / 0 | | 0 1 | 0000:89:00.0 | 0 1070 / 21534 | +===================+=================+======================================================+ -
执行ATC命令。
将下命令中的${chip_name}改为当前处理器型号, {batchsize}改为实际输入的batchsize
batch_size=1 # 本文仅以batch_size=1进行说明 atc --framework=5 \ --model=PAMTRI_dynamic.onnx \ --output=PAMTRI_bs${batch_size} \ --input_format=NCHW \ --input_shape="input:${batch_size},3,256,256" \ --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。
- --insert_op_conf=aipp_resnet34.config: AIPP配置
运行成功后生成PAMTRI_bs1.om模型文件。
-
-
-
开始推理验证。
-
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。
-
执行推理。
output路径根据用户需求自由设置，这里以output=./out为例说明# 针对query数据集进行推理 python -m ais_bench \ --model "./PAMTRI_bs1.om" \ --input "./prep_dataset_query" \ --output ${output} \ --output_dirname dataset_query_features \ --outfmt BIN \ --device 0 \ --batchsize 1 \ --loop 1 # 针对gallery数据集进行推理 python -m ais_bench \ --model "./PAMTRI_bs1.om" \ --input "./prep_dataset_gallery" \ --output ${output} \ --output_dirname dataset_gallery_features \ --outfmt BIN \ --device 0 \ --batchsize 1 \ --loop 1-
参数说明：
- --model：om文件路径。
- --input:输入路径
- --output：输出路径。
- --output_dirname：输出数据的子目录名称
- --outfmt：输出数据的格式，默认”BIN“，可取值“NPY”、“BIN”、“TXT”。
- --loop：推理次数，可选参数，默认1，profiler为true时，推荐为1
推理后的输出默认在
--output文件夹下。 -
-
精度验证。
执行后处理脚本文件PAMTRI_postprocess.py评测mAP精度，结果保存在result.json中。精度验证之前，将推理结果文件中summary.json删除。将{batchsize}改为实际的batchsize
python PAMTRI_postprocess.py \ --queryfeature_path=./result/dataset_query_features \ --galleryfeature_path=./result/dataset_gallery_features \ --test-batch ${batchsize} > result.json-
参数说明：
- --queryfeature_path：生成推理结果所在路径。
- --galleryfeature_path：生成推理结果所在路径。
- result_bs1.json：生成结果文件。
- --test-batch：推理数据的batchsize。
执行完成后会在当前目录下生成result.json，保存结果的mAP精度值
-
-
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 ./PAMTRI_bs1.om \ --input ./prep_dataset_query \ --loop 20 \ --batchsize 1- 参数说明：
- --model：om文件路径。
- --input ：输入的数据集路径
- --batchsize：每次输入模型的样本数。
- 参数说明：
-
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（mAP） | 性能 |
|---|---|---|---|---|
| 300I Pro | bs1 | veri | 68.64% | 678.067 |
| 300I Pro | bs4 | veri | 68.64% | 1564.274 |
| 300I Pro | bs8 | veri | 68.64% | 1540.995 |
| 300I Pro | bs16 | veri | 68.64% | 1265.894 |
| 300I Pro | bs32 | veri | 68.64% | 1265.894 |