RegNetX-1.6GF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

RegNet并不是一个单一的网络，甚至也不是一个像EfficientNets这样的扩展的网络家族。它是一个被量化的线性规则限制的设计空间，期望包含好的模型。

• 参考实现：

  url=https://github.com/rwightman/pytorch-image-models.git
  commit_id=742c2d524726d426ea2745055a5b217c020ccc72
  code_path=/ACL_PyTorch/contrib/cv/classfication/RegNetX-1.6GF
  model_name=RegNetX-1.6GF
  

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 224 x 224	NCHW

• 输出数据

  输出数据	数据类型	大小	数据排布格式
  output1	FLOAT32	Batchsize x 1000	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 .17	Pytorch框架推理环境准备
  CANN	6.0.RC1	-
  Python	3.7.5	-
  PyTorch	1.8.1	-
  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. 安装依赖。

   pip3 install -r requirements.txt
   

2. 获取源码。

   RegNetX-1.6GF模型代码在timm里，安装timm，arm下需源码安装，参考https://github.com/rwightman/pytorch-image-models ，若安装过程报错请百度解决

   git clone https://github.com/rwightman/pytorch-image-models
   cd pytorch-image-models
   python3 setup.py install
   cd ..
   

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）

   本模型支持ImageNet 50000张图片的验证集。以ILSVRC2012为例，请用户需自行获取ILSVRC2012数据集，上传数据集到服务器任意目录并解压（如：/opt/npu/）。本模型将使用到ILSVRC2012_img_val.tar验证集及ILSVRC2012_devkit_t12.gz中的val_label.txt数据标签。目录结构如下：

   ├── ImageNet
     ├── ILSVRC2012_img_val
     ├── val_label.txt 
   

2. 数据预处理

   将原始数据集转换为模型输入的数据。

   执行imagenet_torch_preprocess.py脚本，完成预处理。

   python3 imagenet_torch_preprocess.py /home/HwHiAiUser/dataset/ImageNet/ILSVRC2012_img_val ./prep_dataset
   

   • 参数说明：
     • 第一个参数：原始数据验证集（.jpeg）所在路径。
     • 第二个参数：输出的二进制文件（.bin）所在路径。

   每个图像对应生成一个二进制文件。

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。

      从源码包中获取权重文件 RegNetX-1.6GF预训练pth权重文件。

      wget https://github.com/rwightman/pytorch-image-models/releases/download/v0.1-regnet/regnetx_016-65ca972a.pth 
      

   2. 导出onnx文件。

      1. 使用RegNetX_onnx.py导出onnx文件。

         运行RegNetX_onnx.py脚本。

      python3 RegNetX_onnx.py regnetx_016-65ca972a.pth RegNetX-1.6GF.onnx
      

      运行成功后生成RegNetX-1.6GF.onnx模型文件。

   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=./RegNetX-1.6GF.onnx --input_format=NCHW --input_shape="image:1,3,224,224" --output=RegNetX-1.6GF_bs1 --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。

         运行成功后生成RegNetX-1.6GF_bs1.om模型文件。

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。

      python3 -m ais_bench --model ./RegNetX-1.6GF_bs1.om --input ./prep_dataset/ --output ./ --output_dirname bs1 --outfmt TXT --batchsize 1
      

      • 参数说明：

        • --model：om模型。
        • --input：预处理数据集路径。
        • --output：推理结果所在路径。
        • --outfmt：推理结果文件格式。
        • --output_dirname： 推理结果输出子文件夹。可选参数。与参数output搭配使用，单独使用无效。设置该值时输出结果将保存到 output/output_dirname文件夹中 。
        • --batchsize：不同的batchsize。

      推理后的输出默认在建立日期+时间的子文件夹中，有图片信息的txt文件。

   3. 精度验证。

      调用脚本与数据集标签val_label.txt比对，可以获得Accuracy数据，结果保存在result.json中。

      python3 vision_metric_ImageNet.py ./bs1/ ./val_label.txt ./ result.json
      

      • 参数说明：

        • ./bs1/ ：为生成推理结果所在路径
        • val_label.txt：标签数据。
        • ./ ： 生成结果文件路径
        • result.json：生成结果文件名称。

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。

精度：

芯片型号	Batch Size	数据集	精度	性能
300I Pro	1	ILSVRC2012	top1:76.93% top5:93.43%	1697.966
300I Pro	4	ILSVRC2012	top1:76.93% top5:93.43%	4427.228
300I Pro	8	ILSVRC2012	top1:76.93% top5:93.43%	5426.759
300I Pro	16	ILSVRC2012	top1:76.93% top5:93.43%	4538.344
300I Pro	32	ILSVRC2012	top1:76.93% top5:93.43%	4071.895
300I Pro	64	ILSVRC2012	top1:76.93% top5:93.43%	3847.592