Resnet152模型-推理指导

• 概述

概述

ResNet是ImageNet竞赛中分类问题效果较好的网络，它引入了残差学习的概念，通过增加直连通道来保护信息的完整性，解决信息丢失、梯度消失、梯度爆炸等问题，让很深的网络也得以训练。ResNet有不同的网络层数，常用的有18-layer、34-layer、50-layer、101-layer、152-layer。

• 参考论文：Kaiming He, Xiangyu Zhang, Shaoqing Ren, Jian Sun; Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2016, pp. 770-778

参考实现：

url=https://github.com/pytorch/vision
branch=master
commit_id=7d955df73fe0e9b47f7d6c77c699324b256fc41f

输入输出数据

• 输入数据

  输入数据	大小	数据类型	数据排布格式
  image	batchsize x 3 x 256 x 256	RGB_FP32	NCHW

• 输出数据

  输出数据	大小	数据类型	数据排布格式
  class	batchsize x 1000	FLOAT32	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	22.0.4	Pytorch框架推理环境准备
  CANN	6.0.RC1
  PyTorch	1.5.1
  说明：Atlas 300I Duo 推理卡请以CANN版本选择实际固件与驱动版本。

• 该模型需要以下依赖。

  依赖名称	版本
  onnx	>=1.9.0
  torch	>=1.5.1
  torchVision	>=0.6.1
  numpy	>=1.19.2
  Pillow	>=8.2.0
  opencv-python	>=4.5.2

快速上手

获取源码

1. 源码上传到服务器任意目录（如：/home/HwHiAiUser）。

   .
   |-- README.md
   |-- imagenet_acc_eval.py             //验证推理结果脚本，比对benchmark输出的分类结果和标签，给出Accuracy
   |-- imagenet_torch_preprocess.py     //数据集预处理脚本
   |-- requirements.txt
   |-- resnet152_pth2onnx.py            //用于转换pth模型文件到onnx模型文件
   

2. 请用户根据依赖列表和提供的requirements.txt以及自身环境准备依赖。

   pip3 install -r requirements.txt
   

准备数据集

本模型使用ImageNet 50000张图片的验证集，请前往ImageNet官网下载数据集:

├── ImageNet
|   ├── val
|   |    ├── ILSVRC2012_val_00000001.JPEG
│   |    ├── ILSVRC2012_val_00000002.JPEG
│   |    ├── ......
|   ├── val_label.txt

执行预处理脚本:

python3 imagenet_torch_preprocess.py --data_path ./ImageNet/val/ --save_dir ./prep_dataset

参数说明：

• --data_path：原始数据验证集val目录路径
• --save_dir：输出的二进制文件（.bin）所在路径

模型推理

1. 模型转换。

   本模型基于开源框架PyTorch训练的Resnet152进行模型转换。

   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PyTorch开源框架获取经过训练的Resnet152权重文件resnet152-394f9c45.pth

      wget https://download.pytorch.org/models/resnet152-394f9c45.pth
      

   2. 导出onnx文件。

      将.pth文件转换为.onnx文件，执行如下命令在当前目录生成resnet152.onnx模型文件。

      python3 resnet152_pth2onnx.py --checkpoint ./resnet152-394f9c45.pth --save_dir ./resnet152.onnx
      

      参数说明：

      • --checkpoint：模型权重pth文件
      • --save_dir：输出的onnx模型的路径

   3. 使用ATC工具将ONNX模型转OM模型。

      1. 执行命令查看芯片名称（${chip_name}）。

         ${chip_name}可通过npu-smi info指令查看

         

      2. 使用atc将onnx模型转换为om模型文件。

         # 设置环境变量
         source /usr/local/Ascend/ascend-toolkit/set_env.sh
         
         # bs为批次大小，请根据需要设置
         bs=8
         
         atc --framework=5 --model=./resnet152.onnx --output=resnet152_bs${bs} --input_format=NCHW --input_shape="image:${bs},3,224,224" --log=debug --soc_version=${chip_name} --insert_op_conf=aipp.config --enable_small_channel=1
         

         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。
         • --enable_small_channel：是否使能small channel的优化，使能后在channel<=4的卷积层会有性能收益。
         • --insert_op_conf=aipp.config: AIPP插入节点，通过config文件配置算子信息，功能包括图片色域转换、裁剪、归一化，主要用于处理原图输入数据，常与DVPP配合使用，详见下文数据预处理。

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 ./resnet152_bs${bs}.om --input ./prep_dataset/ --output ./result/ --output_dir resnet152_bs${bs} --outfmt TXT
   

   参数说明：

   • --model：模型地址
   • --input：预处理完的数据集文件夹
   • --output：推理结果保存地址
   • --outfmt：推理结果保存格式

   运行成功后会在result/resnet152_bs${bs}下生成推理输出的txt文件。

   c. 精度验证。

   调用imagenet_acc_eval.py脚本与数据集标签val_label.txt比对，可以获得Accuracy Top5数据，结果保存在result.json中。

   python3 imagenet_acc_eval.py result/resnet152_bs${bs} ./ImageNet/val_label.txt ./ result.json
   

   第一个参数为生成推理结果所在路径，第二个参数为标签数据，第三个参数为生成结果文件路径，第四个参数为生成结果文件名称。

3. 执行纯推理验证性能。

   python3 -m ais_bench --model resnet152_bs${bs}.om --device 1 --loop 100
   

   • 参数说明：
     • --model：om文件路径
     • --device：NPU设备编号
     • --loop: 纯推理次数

模型推理性能和精度

官方的参考精度为：Top1: 78.312%， Top5: 94.046%

芯片型号	Batch size	精度	性能(fps)
300I Pro	1	Top1: 78.30%, Top5: 94.05%	722.79
300I Pro	4		1573.93
300I Pro	8	Top1: 78.30%, Top5: 94.05%	1843.65
300I Pro	16		1474.64
300I Pro	32		1576.88
300I Pro	64		1487.53
300I Pro	128		1502.23
300I Pro	256		1252.37