Swin-Transformer_tiny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

Swin-Transformer是针对于图片处理设计的基于Transformer架构的神经网络。该网络针对原始Transformer迁移到图片端后计算量过大，复用困难的问题，提出了新的swin-block以代替原有的attention架构。模型以窗口的attention方式极大地减少了图像不同区域间的互相响应，同时也避免了部分冗余信息的产生。最终，模型在减少了大量计算量的同时，在不同的视觉传统任务上也有了效果的提升。

• 参考实现：

  url=https://github.com/microsoft/Swin-Transformer
  branch=master
  commit_id=014eb33148a5e41576dd91715d5c557896613f51
  

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
  image	FLOAT32	batchsize x 3 x 224 x 224	NCHW

• 输出数据

  输出数据	大小	数据类型	数据排布格式
  class	batch_size x 1000	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	8.1.RC1	-
Python	3.8	-
PyTorch	2.1.0	-
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/Swin-Transformer_tiny              # 切换到模型的代码仓目录
   

2. 安装依赖。

   pip3 install -r requirements.txt
   

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/microsoft/Swin-Transformer
   cd Swin-Transformer
   git checkout 6bbd83ca617db8480b2fb9b335c476ffaf5afb1a
   patch -p1 < ../swin.patch
   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：/home/HwHiAiUser/dataset）。本模型使用val_label.txt文件作为最后的比对标签。

   数据目录结构请参考：

   ├──ImageNet
    ├──ILSVRC2012_img_val
   

2. 数据预处理。

   数据预处理将原始数据集转换为模型输入的数据。

   执行“swin_preprocess.py”脚本，完成预处理。

   mkdir prep_data
   python3 swin_preprocess.py --cfg=Swin-Transformer/configs/swin_tiny_patch4_window7_224.yaml --data-path=${datasets_path}/imagenet --bin_path=prep_data
   

   --cfg：模型配置文件。

   --data-path：原始数据验证集（.jpeg）所在路径。

   --bin_path：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。运行成功后，在当前目录下生成二进制文件夹。

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。

      获取权重文件“swin_tiny_patch4_window7_224.pth: [权重文件下载链接]

   2. 导出onnx文件。

      1. 使用脚本导出onnx文件。

         运行“swin_pth2onnx.py”脚本。

         # 以bs1为例
         mkdir -p models/onnx
         python3 swin_pth2onnx.py --resume=swin_tiny_patch4_window7_224.pth --cfg=Swin-Transformer/configs/swin_tiny_patch4_window7_224.yaml --batch-size=16
         

         获得models/onnx/swin_tiny_bs16.onnx文件。

      2. 优化ONNX文件。

         python3 -m onnxsim models/onnx/swin_tiny_bs16.onnx models/onnx/swin_tiny_bs16_sim.onnx
         

   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
         

         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。

         mkdir -p models/om
         atc --framework=5 --model=models/onnx/swin_tiny_bs16_sim.onnx  --output=models/om/swin_tiny_bs16 --input_format=NCHW --input_shape="image:16,3,224,224" --log=debug --soc_version=${chip_name} --enable_small_channel=1 --optypelist_for_implmode="Gelu" --op_select_implmode=high_performance
         

         • 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swin_b16.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。

      # 以bs16为例
      mkdir -p outputs/bs16
      python3 -m ais_bench --model models/om/swin_tiny_bs16.om --input prep_data --output outputs --output_dirname bs16 --device 1
      

      • 参数说明：

        • --model：om文件路径。
        • --input：输入文件。
        • --output：输出目录。
        • --device：NPU设备编号。

      推理后的输出默认在当前目录outputs/bs1下。

   3. 精度验证。

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

   python3 swin_postprocess.py --input_dir=outputs/bs16/ --label_path=val_label.txt --save_path=./result_bs16.json
   

   注：--input_dir指定的路径不是固定，具体路径为ais-infer工具推理命令中'--output/--output_dirname'指定目录下的生成推理结果所在路径

   --input_dir：生成推理结果所在路径

   --label_path：标签数据文件路径

   --save_path：生成结果文件

模型推理性能&精度

精度参考下列数据:

device	top1	top5
基准	-	-
300I Pro	81.15%	95.42%

性能参考下列数据。

batchsize	1	4	8	16	32	64
300I Pro	339.7fps	507.2fps	564.7fps	482.3fps	434.2fps	406.9fps
基准	267.7fps	384.7fps	387.6fps	270.8fps	232.6fps	188.97fps