ResNeXt101_32x8d 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

ResNext101是一个轻量化，并且高度模块化的用于图像分类的神经网络

• 参考实现：

  url=https://github.com/pytorch/vision 
  commit_id=7d955df73fe0e9b47f7d6c77c699324b256fc41f
  code_path=ACL_PyTorch/contrib/cv/classfication/
  model_name=ResNeXt101_32x8d
  

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	1.5.1	-
  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

  表 2 依赖列表

  依赖名称	版本
  onnx	1.9.0
  Torch	1.5.1
  TorchVision	0.6.1
  numpy	1.20.3
  Pillow	8.2.0
  opencv-python	4.5.2

快速上手

获取源码

1. 获取源码。

   git clone https://github.com/pytorch/vision
   cd vision
   git reset 7d955df73fe0e9b47f7d6c77c699324b256fc41f --hard
   cd ..
   

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）

   本模型支持ImageNet 50000张图片的验证集 上传数据集到服务器任意目录（如：/home/HwHiAiUser/dataset）。图片与标签分别存放在*/home/HwHiAiUser/dataset*/ImageNet/val与*/home/HwHiAiUser/dataset*/ImageNet/val_label.txt位置。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。

   将原始数据（.jpeg）转化为二进制文件（.bin）。

   执行脚本 imagenet_torch_preprocess.py 。

   python3 imagenet_torch_preprocess.py resnet /home/HwHiAiUser/dataset/imagenet/val ./prep_dataset
   

   • 参数说明：
     • 第一个参数：原始数据集图片 （.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。

      下载 ResNext101_32x8d 预训练pth权重文件

      wget https://download.pytorch.org/models/resnext101_32x8d-8ba56ff5.pth
      

   2. 导出onnx文件。

      1. 使用 resnext101_32x8d_pth2onnx.py导出onnx文件。

         运行resnext101_32x8d_pth2onnx.py脚本,

         python3 resnext101_32x8d_pth2onnx.py ./resnext101_32x8d-8ba56ff5.pth resnext101_32x8d.onnx
         

         执行后在当前路径下生成resnext101_32x8d.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=./resnext101_32x8d.onnx --output=resnext101_32x8d_bs1 --input_format=NCHW --input_shape="image:1,3,224,224" --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 resnext101_32x8d_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 ./resnext101_32x8d_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当前目录result下。

   3. 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 ./bs1 /opt/npu/imageNet/val_label.txt ./ result.json
      

      • 参数说明：

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

   4. 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：

       python3.7 -m ais_bench --model=${om_model_path} --loop=20 --batchsize=${batch_size}
      

      • 参数说明：
      • --model：om模型
      • --batchsize：模型batchsize
      • --loop: 循环次数

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。

精度对比：

Model	ResNeXt101_32x8d
开源精度	TOP1: 79.312% TOP5: 94.526%
300I Pro精度	TOP1: 79.3% TOP5: 94.52%

性能：

芯片型号	Batch Size	数据集	性能
300I Pro	1	ImageNet 50000	606.606
300I Pro	4	ImageNet 50000	1112.783
300I Pro	8	ImageNet 50000	1251.495
300I Pro	16	ImageNet 50000	971.797
300I Pro	32	ImageNet 50000	1157.749
300I Pro	64	ImageNet 50000	803.158