TResNet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

TResNet系列是针对ImageNet数据集的图片分类模型。一共有三种型号：TResNet-M，TResNet-L和TResNet-XL，它们的区别仅在深度和通道数量不同。因此，作者在网络的前两个阶段放置了”BasicBlock”层，在后两个阶段放置了“ Bottleneck”层。与ResNet50相比，作者还针对不同的TResNet模型修改了通道数和第三阶段的深度。

• 参考实现：

  url=https://github.com/rwightman/pytorch-image-models.git
  commit_id=5b28ef410062af2a2ab1f27bf02cf33e2ba28ca2
  model_name=TResNet
  

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	22.0.3	Pytorch框架推理环境准备
  CANN	6.0.RC1	-
  Python	3.7.5	-
  PyTorch	1.6.0	-
  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 --branch v0.4.5 https://github.com/rwightman/pytorch-image-models.git
   cd pytorch-image-models
   patch -p1 < ../TResNet.patch
   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。以ILSVRC2012为例，请用户需自行获取ILSVRC2012数据集。目录结构如下：

   ImageNet 
   ├── val_union        
   └── 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。

   执行TResNet_preprocess.py脚本，完成预处理

   python3 TResNet_preprocess.py ./ImageNet/val_union ./prep_dataset
   

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/TResNet/PTH/model_best.pth.tar
      

   2. 导出onnx文件。

      1. 使用TResNet_pth2onnx.py导出onnx文件。

         运行TResNet_pth2onnx.py脚本

         python3 TResNet_pth2onnx.py model_best.pth.tar tresnet_m.onnx
         

         获得tresnet_m.onnx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=tresnet_m.onnx --output=tresnet_patch16_224_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tresnet_patch16_224_bs1.om模型文件，传入其他batchsize,可以转另外的om

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 tresnet_patch16_224_bs1.om --input prep_dataset --output ./ --output_dirname result --outfmt TXT
      

      • 参数说明：

        • --model：模型。
        • --input：模型输入
        • --output：结果输出路径
        • --output_dirname: 模型输出结果文件夹
        • --outfmt：输出结果格式

   推理后的输出默认在当前目录result下。

3. 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acc.json中。

    python3.7 TResNet_postprocess.py ./result/ ./ImageNet/val_label.txt ./ acc.json
   

   • 参数说明：

     • result：为生成推理结果所在路径
     • val_label.txt：为标签数据
     • acc.json：为生成结果文件

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

      • 参数说明：
        • --model：om模型
        • --batchsize：推理张数
        • --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。

芯片型号	Batch Size	数据集	精度	性能
300I Pro	1	ImageNet	TOP5ACC:94.43	1154
300I Pro	4	ImageNet	TOP5ACC:94.43	2552
300I Pro	8	ImageNet	TOP5ACC:94.43	3158
300I Pro	16	ImageNet	TOP5ACC:94.43	3249
300I Pro	32	ImageNet	TOP5ACC:94.43	2756