T2T-ViT 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

balabala

• 参考论文：

  Tokens-to-Token ViT: Training Vision Transformers from Scratch on ImageNet

• 参考实现：

  url=https://github.com/yitu-opensource/T2T-ViT
  branch=main
  commit_id=0f63dc9558f4d192de926504dbddfa1b3f5db6ca
  

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	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
  class	FP32	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	1.12.1	-
  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. 获取开源模型代码。

   git clone https://github.com/yitu-opensource/T2T-ViT.git
   cd T2T-ViT
   git reset --hard 0f63dc9558f4d192de926504dbddfa1b3f5db6ca
   

2. 获取本仓源码，并放置于第1步获得的T2T-ViT目录下。

3. 安装必要依赖。

   pip3 install -r requirements.txt
   

4. 源码改动。

   1. models/token_performer.py文件打补丁：

      patch -p1 models/token_performer.py token_performer.patch
      

      • 备注：由于OM模型中Einsum算子低精度计算（float16）会放大误差，导致精度问题。在转OM时使用--keep_dtype参数，尝试让Einsum算子保持原精度(float32)计算，但Einsum算子前面的TransData算子又会使此操作失效。所以定位到Einsum算子在模型源码中的位置，对其进行等价替换后，重新转ONNX，转OM时再使用--keep_dtype参数，TransData算子被消除，--keep_dtype参数生效。

   2. 进入python第三方库timm/data文件夹内：

      patch -p1 loader.py ${patch_path}
      

      • ${patch_path} 为 loaders.patch 文件路径。

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ImageNet验证集进行推理测试 ，用户自行获取数据集后，将文件解压并上传数据集到任意路径下。数据集目录结构如下所示：

   │imagenet/
   ├──val/
   │  ├── n01440764
   │  │   ├── ILSVRC2012_val_00000293.JPEG
   │  │   ├── ILSVRC2012_val_00002138.JPEG
   │  │   ├── ......
   │  ├── ......
   

2. 数据预处理，将原始数据集转换为模型的输入数据。

   运行T2T_ViT_preprocess.py预处理脚本，生成数据集预处理后的bin文件。

   python3 T2T_ViT_preprocess.py --data-dir ${data_dir} --out-dir ${prep_bin} --gt-path ${gt_path}
   

   参数说明：

   • --data-dir：数据集路径。
   • --out-dir：指定保存bin文件的路径，比如 prep_bin。
   • --gt-path：生成npy真值文件路径， 比如 label.npy。

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。

      wget https://github.com/yitu-opensource/T2T-ViT/releases/download/main/81.5_T2T_ViT_14.pth.tar
      

   2. 导出onnx文件。

      1. 使用T2T_ViT_pth2onnx.py导出动态batch的onnx文件。

         python3 T2T_ViT_pth2onnx.py --pth-path 81.5_T2T_ViT_14.pth.tar --onnx-path T2T_ViT.onnx
         

         参数说明：

         • --pth-path：Pytorch模型文件路径。
         • --onnx-path：ONNX模型文件保存路径。

   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                            |
         +===================+=================+======================================================+
         

   4. 安装 auto_optimizer工具， 生成指定算子精度模式的配置文件。

      # 安装依赖
      git clone https://gitcode.com/ascend/msadvisor.git
      cd msadvisor/auto-optimizer
      pip install -r requirements.txt
      
      # 运行脚本生成cfg文件
      python3 gen_cfg.py T2T_ViT.onnx keep_dtype.cfg
      

      参数说明：

      • --参数1：为ONNX模型文件。
      • --参数2：生成的配置文件。

   5. 执行ATC命令。

      # bs = [1, 4, 8, 16, 32, 64]
      atc --framework=5 --model=T2T_ViT.onnx --output=T2T_ViT_bs${bs} --input_format=NCHW --input_shape="image:${bs},3,224,224" --log=error --soc_version=Ascend${chip_name} --keep_dtype=keep_dtype.cfg
      

      运行成功后生成T2T_ViT_bs${bs}.om模型文件。

      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。
      • --keep_dtype：指定算子精度模式的配置文件。

2. 开始推理验证。

   1. 使用ais-bench工具进行推理。

      ais-bench工具获取及使用方式请点击查看[ais_bench 推理工具使用文档]

   2. 执行推理。

      python3 -m ais_bench --model=T2T_ViT_bs${bs}.om  --batchsize=${bs} \
      --input ${prep_bin} --output result --output_dirname result_bs${bs} --outfmt BIN
      

      参数说明：

      • --model：om模型路径。
      • --batchsize：批次大小。
      • --input：输入数据所在路径。
      • --output：推理结果输出路径。
      • --output_dirname：推理结果输出子文件夹。
      • --outfmt：推理结果输出格式

3. 精度验证。

   调用T2T_ViT_postprocess.py脚本与真值标签比对，可以获得精度数据。

   python3 T2T_ViT_postprocess.py --result-dir ${result_dir} --gt-path ${gt_path}
   

   参数说明：

   • --result-dir：生成推理结果所在路径，这里为result/result_bs1
   • --gt-path：预处理时生成的标签数据文件路径，这里为label.npy

4. 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 -m ais_bench --model=T2T_ViT_bs${bs}.om --loop=50 --batchsize=${bs}
   

   参数说明：

   • --model：om模型路径。
   • --batchsize：批次大小。

模型推理性能&精度

调用ACL接口推理计算，T2T_ViT模型的性能和精度参考下列数据。

芯片型号	Batch Size	数据集	开源精度（Acc@1）	参考精度（Acc@1）
300I Pro	1	ImageNet	81.5%	81.4%

芯片型号	Batch Size	参考性能（FPS）
300I Pro	1	163.14
300I Pro	4	170.73
300I Pro	8	194.66
300I Pro	16	189.98
300I Pro	32	180.15
300I Pro	64	174.90