PointNetCNN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

PointNetCNN是一个简单而通用的从点云中学习特征的框架。在图像处理中卷积可以很好的处理数据中局部空间相关性。然而点云是不规则和无序的，点云里面的点的输入顺序，是阻碍Convolution操作的主要问题，PointNetCNN提出X-transformation，对输入点云进行变换矩阵处理，得到一个与顺序无关的特征，实现了点云数据上的卷积操作。

• 参考实现：

  url=https://github.com/hxdengBerkeley/PointCNN.Pytorch
  branch=master
  commit_id=6ec6c291cf97923a84fb6ed8c82e98bf01e7e96d
  

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
  input1	FP32	1 x 1024 x 3	ND
  input2	FP32	1 x 1024 x 3	ND

• 输出数据

  输出数据	数据类型	大小	数据排布格式
  output1	FLOAT32	1 x 40	ND

推理环境准备

• 该模型需要以下插件与驱动

  配套	版本	环境准备指导
  固件与驱动	22.0.2	Pytorch框架推理环境准备
  CANN	5.1.RC2	-
  Python	3.7.5	-
  PyTorch	1.8.0	-
  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. 获取开源代码仓。

   git clone https://github.com/hxdengBerkeley/PointCNN.Pytorch -b master   
   cd PointCNN.Pytorch  
   git reset 6ec6c291cf97923a84fb6ed8c82e98bf01e7e96d --hard 
   patch -p1 < ../PointNetCNN.patch
   cd ..
   cp -r PointCNN.Pytorch/utils PointCNN.Pytorch/provider.py ./
   

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） 本模型使用经过处理的modelnet40_ply_hdf5_2048数据集，请用户自行获取并将数据集放在./data/下

   mkdir data
   

   目录结构如下：

   PointNetCNN
   ├── data
      └── modelnet40_ply_hdf5_2048
         ├── ply_data_test0.h5
         ├── ...
   

2. 数据预处理。(请拆分sh脚本，将命令分开填写)

   数据预处理将原始数据集转换为模型输入的数据。

   执行PointNetCNN_preprocess.py脚本，完成预处理。

   python3 PointNetCNN_preprocess.py ./prep_dataset ./labels
   

   "./prep_dataset"：输出的二进制文件（.bin）所在路径。

   "./labels"：标签文件目录。

   每个图像对应生成一个二进制文件。运行成功后，在当前目录下生成"prep_dataset"二进制文件夹。

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。

      PointNetCNN权重文件

   2. 导出onnx文件。

      1. 使用PointNetCNN_pth2onnx.py导出onnx文件。

         运行PointNetCNN_pth2onnx.py脚本。

         python3 PointNetCNN_pth2onnx.py  pointcnn_epoch240.pth pointnetcnn.onnx 
         

         获得pointnetcnn.onnx文件。

      2. 优化onnx模型

         请访问aoto-optimizer优化工具代码仓，根据readme文档进行工具安装。

         python3 PointNetCNN_modify_onnx.py pointnetcnn.onnx pointnetcnn_new.onnx
         

         • 参数说明：
           • pointnetcnn.onnx：输入模型路径。
           • pointnetcnn_new.onnx：修改后的模型路径。

         得到pointnetcnn_new.onnx文件。

   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=./pointnetcnn_new.onnx --input_format=ND --output=pointnetcnn_bs1 --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pointnetcnn_bs1.om模型文件。

2. 开始推理验证。

   a. 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。

   b. 执行推理。

   python3 -m ais_bench --model ./pointnetcnn_bs1.om --input "prep_dataset,prep_dataset" --output ./ --output_dirnam result --outfmt "TXT"
   

   • 参数说明：

     • model：输入的om文件。
     • batchsize：批大小，即1次迭代所使用的样本量。
     • input：输入的bin数据文件。
     • output：结果保存路径。
     • output_dirnam：结果保存子目录。
     • outfmt：输出数据格式。

   输出结果保存在当前目录result文件夹下。

   c. 精度验证。

   调用PointNetCNN_postprocess脚本与数据集标签labels/label*.npy比对，可以获得Accuracy数据，结果保存在result_bs1.json中。

   python3 PointNetCNN_postprocess.py ./labels/label ./result
   

   ./labels/label：标签文件路径

   ./result：ais_bench推理结果

   d. 性能验证。

   可使用ais_bench推理工具的纯推理模式验证om模型的性能，参考命令如下：

   python3 -m ais_bench --model=${om_model_path} --loop=20
   

   • 参数说明：
     • --model：om模型文件路径。
     • --loop：推理次数。

模型推理性能&精度

芯片型号	Batch Size	数据集	精度	性能
300I Pro	1	modelnet40	83.06%	273.37

仅支持batch size为1