TNT模型-推理指导

• 概述

• 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

TNT是针对图像分类的模型，该模型将图像的patch进一步划分为sub-patch，通过visual sentences和visual words在获得全局信息的同时更好的捕捉细节信息，提升分类效果。

• 参考实现：

  url=https://github.com/huawei-noah/CV-backbones/tree/master/tnt_pytorch
  branch=master 
  commit_id=03e8cdfe92494a55ddfb11cc875ff2e1c33f91da
  

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 196 x 16 x 24	NCHW

• 输出数据

  输出数据	大小	数据类型	数据排布格式
  output1	1 x 1000	FLOAT32	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	22.0.3	Pytorch框架推理环境准备
CANN	6.0.RC1	-
Python	3.7.5	-
PyTorch	1.5.0	-
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://github.com/huawei-noah/CV-Backbones.git
   cd CV-Backbones
   git checkout 7a0760f0b77c2e9ae585dcadfd34ff7575839ace
   patch tnt_pytorch/tnt.py ../TNT.patch
   cd ..
   cp CV-Backbones/tnt_pytorch/tnt.py ./
   

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。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）。本模型将使用到ILSVRC2012_img_val.tar验证集，请自行下载验证需要的标签文件“imagenet_labels_tnt.json”。
   数据目录结构请参考：

   ├──ImageNet
       ├──ILSVRC2012_img_val
       ├──imagenet_labels_tnt.json
   

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。

   使用“TNT_preprocess.py”对JPEG图片文件进行预处理并将其转换为bin文件。

   python3.7 TNT_preprocess.py --src-path /home/HwHiAiUser/dataset/imagenet/val --save-path ./prep_dataset
   

   --src-path：原始数据验证集（.jpeg）所在路径。

   --save-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“prep_dataset”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。

      wget https://ascend-repo-modelzoo.obs.cn-east-2.myhuaweicloud.com/model/1_PyTorch_PTH/TNT/PTH/tnt_s_81.5.pth.tar
      

   2. 导出onnx文件。

      1. 使用“tnt_s_81.5.pth.tar”导出onnx文件。 运行“TNT_pth2onnx.py”脚本。

         python3.7 TNT_pth2onnx.py --pretrain_path tnt_s_81.5.pth.tar --batch_size 16
         

         获得tnt_s_patch16_224_bs16_cast.onnx文件。

      2. 优化ONNX文件。

         python3.7 -m onnxsim tnt_s_patch16_224_bs16_cast.onnx tnt_s_patch16_224_bs16_cast_sim.onnx --input-shape "16,196,16,24"
         

         获得“tnt_s_patch16_224_bs16_cast_sim.onnx”文件。

         注意 bs1不需要进行onnxsim优化，否则会存在精度问题

   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。

          atc --framework=5 --model=tnt_s_patch16_224_bs16_cast_sim.onnx --output=TNT_bs16 --input_format=NCHW --input_shape="inner_tokens:16,196,16,24" --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TNT_bs16.om模型文件。

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 --input ./prep_dataset --output ./  --model TNT_bs16.om --outfmt TXT --batchsize 16 --output_dirname result
   

   • 参数说明：

     • model：模型路径。
     • input：预处理文件路径。
     • output：输出路径。
     • outfmt：输出文件格式。 ...

   推理后的输出默认在当前目录result下。

   c. 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 TNT_postprocess.py --label_file=/home/HwHiAiUser/dataset/imagenet/imagenet_labels_tnt.json --pred_dir=./${your_result_path} > result.json
   

   • 参数说明

     • ${your_result_path}：为生成推理结果所在路径

     • val_label.txt：为标签数据

     生成结果文件 result.json

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

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

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

芯片型号	Batch Size	数据集	精度	性能
300I Pro	1	ImageNet	81.5	186
300I Pro	4	ImageNet	81.5	259
300I Pro	8	ImageNet	81.5	274
300I Pro	16	ImageNet	81.5	264
300I Pro	32	ImageNet	81.5	231
300I Pro	64	ImageNet	81.5	195