PointNet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

PointNet由斯坦福大学提出，为点云神经网络先驱：提出了一种网络结构，可以直接从点云中学习特征。

• 参考实现：

  url=https://github.com/fxia22/pointnet.pytorch
  branch=master
  commit_id=f0c2430b0b1529e3f76fb5d6cd6ca14be763d975
  

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	FLOAT32	batchsize x 3 x 2500	ND

• 输出数据

  输出数据	大小	数据类型	数据排布格式
  class	batch_size x 16	FLOAT32	ND

推理环境准备[所有版本]

• 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	1.0.17	Pytorch框架推理环境准备
CANN	6.0.RC1	-
Python	3.7.5	-
PyTorch	1.5.0+	-
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://gitcode.com/ascend/ModelZoo-PyTorch.git        # 克隆仓库的代码
   git checkout master         # 切换到对应分支
   cd ACL_PyTorch/contrib/cv/classfication/PointNet              # 切换到模型的代码仓目录
   

2. 安装依赖。

   pip3 install -r requirements.txt
   git clone https://gitee.com/zheng-wengang1/onnx_tools.git
   cd onnx_tools && git checkout cbb099e5f2cef3d76c7630bffe0ee8250b03d921
   cd ..
   

3. 获取开源代码仓。 在已下载的源码包根目录下，执行如下命令。

   git clone https://github.com/fxia22/pointnet.pytorch
   cd pointnet.pytorch
   git checkout f0c2430b0b1529e3f76fb5d6cd6ca14be763d975
   patch -p1 < ../modify.patch
   cd ..
   

准备数据集

1. 获取原始数据集。

   本模型采用 shapenetcore_partanno_segmentation_benchmark_v0 ，解压到 ./data 目录下（如没有则需要自己创建）。

   数据目录结构请参考：

   data
   └── shapenetcore_partanno_segmentation_benchmark_v0
    ├── 02591156
    ├── ...
    ├── README.txt
    ├── synsetoffset2category.txt
    └── train_test_split
   

2. 数据预处理。

   执行预处理脚本，生成数据集预处理后的bin文件:

   python3 pointnet_preprocess.py data/shapenetcore_partanno_segmentation_benchmark_v0 ./bin_file
   

   • 参数说明：第一个参数为数据集文件位置，第二个参数为输出文件位置。

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。

      获取 权重文件，提取码：lmwa 。得到 checkpoint_79_epoch.pkl 权重文件。

   2. 导出onnx文件。

      1. 使用脚本导出onnx文件。

         运行pointnet_pth2onnx.py脚本。

         # pth转换为ONNX
         python3 pointnet_pth2onnx.py --model checkpoint_79_epoch.pkl --output_file pointnet.onnx
         

         • 参数说明：第一个参数为模型配置文件，第二个参数是模型权重路径，第三个参数是导出onnx文件路径。

         获得pointnet.onnx文件。

   3. 优化onnx。

      # 以bs1为例
      python3 -m onnxsim pointnet.onnx pointnet_bs1_sim.onnx --input-shape="input:1,3,2500"
      python3 fix_conv1d.py pointnet_bs1_sim.onnx pointnet_bs1_sim_fixed.onnx
      

      获得pointnet_bs1_sim_fixed.onnx模型。

   4. 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
         

         说明： 该脚本中环境变量仅供参考，请以实际安装环境配置环境变量。详细介绍请参见《CANN 开发辅助工具指南 (推理)》。

      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。

         # 以bs1为例
         atc --framework=5 --model=./pointnet_bs1_sim_fixed.onnx --output=./pointnet_bs1_fixed --input_shape="input:1,3,2500" --soc_version=${chip_name}  --log=error
         

         • 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。

           运行成功后生成模型文件pointnet_bs1_fixed.om。

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。

      # 以bs1为例
      mkdir -p results/bs1
      python3 -m ais_bench --model ./pointnet_bs1_fixed.om --input ./bin_file --output ./results --output_dirname bs1 --batchsize 1 --outfmt TXT
      

      • 参数说明：

        • --model：om文件路径。
        • --input：输入文件。
        • --output：输出目录。
        • --output_dirname：保存目录名。
        • --device：NPU设备编号。
        • --outfmt: 输出数据格式。
        • --batchsize：推理模型对应的batchsize。

      推理后的输出默认在当前目录results/bs1下。

   3. 精度验证。

   调用pointnet_postprocess.py脚本与数据集标签比对，获得Accuracy数据。

   # 以bs1为例
   python3 pointnet_postprocess.py ./name2label.txt ./results/bs1 0
   

   • 参数说明：第一个参数为GT文件所在路径，第二个参数为推理结果路径，第三个参数为输出结果的key_idx（采用第0个输出作为最终结果）。

模型推理性能&精度

精度参考下列数据:

模型	pth精度	300I Pro精度
PointNet	ACC: 97.42%	ACC: 97.35%

推理性能：

Model	Batch Size	300I Pro(FPS/Card)	基准(FPS/Card)
PointNet	1	2374.11	1787
PointNet	4	1980.89	2251
PointNet	8	2176.16	2367
PointNet	16	2256.15	2412
PointNet	32	2217.42	2380
PointNet	64	2205.12	2539