Twins_PCPVT_S模型-推理指导

• 概述

• 推理环境准备

• 快速上手Twins_PCPVT_S

  • 获取源码
  • 准备数据集
  • 模型推理

• 模型推理性能

  ---

概述

Twins_PCPVT_S使用CPVT中提出的条件位置编码(CPE)来代替PVT中的绝对PE。CPE以输入为条件，可以自然地避免绝对编码的问题；生成CPE的位置编码发生器(PEG)被放置在每个阶段的第一个编码器块之后；对于图像级分类，在CPVT之后，删除类令牌，并在阶段结束时使用全局平均池化(GAP)。Twins-PCPVT继承了PVT和CPVT的优点，易于有效实现。广泛的实验结果表明，这种简单的设计可以匹配最近最先进的Swin transformer的性能。

• 参考实现：

  url=https://github.com/Meituan-AutoML/Twins
  branch=main
  commit_id=4700293a2d0a91826ab357fc5b9bc1468ae0e987
  model_name=PCPVT-Small
  

  通过Git获取对应commit_id的代码方法如下：

  git clone {repository_url}        # 克隆仓库的代码
  cd {repository_name}              # 切换到模型的代码仓目录
  git checkout {branch/tag}         # 切换到对应分支
  git reset --hard {commit_id}      # 代码设置到对应的commit_id（可选）
  cd {code_path}                    # 切换到模型代码所在路径，若仓库下只有该模型，则无需切换
  

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	大小	数据类型	数据排布格式
  output1	1 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	1.0.15	Pytorch框架推理环境准备
CANN	5.1.RC2	-
Python	3.7.5	-
PyTorch	1.7.0	-
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。

   https://github.com/Meituan-AutoML/Twins.git 
   branch=main 
   commit_id=4700293a2d0a91826ab357fc5b9bc1468ae0e987
   
   cd ./Twins
   git clone https://github.com/Meituan-AutoML/Twins.git 
   

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）

   该模型使用ImageNet2012

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twins_pcpvt_s_preprocess.py脚本，完成预处理。

   python3 twins_pcpvt_s_preprocess.py \
       --data_path ${datasets_path} \
       --prep_dataset ./prep_dataset
   

   参数说明：

   data_path: 处理前原数据集的地址
   prep_dataset: 生成数据集的文件夹名称
   

   运行后，将会得到如下形式的文件夹：

   ├── prep_dataset
   │    ├──input_00000.bin
   │    ├──......
   

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。

      链接：https://drive.google.com/file/d/1TWIx_8M-4y6UOKtbCgm1v-UVQ-_lYe6X/view

   2. 导出onnx文件。

      1. 使用twins_pth2onnx.py导出onnx文件。

         运行twins_pth2onnx.py脚本。

         python3 twins_pth2onnx.py --source "./pcpvt_small.pth" --target "./twins_dynamic.onnx"
         

         获得twins_dynamic.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
         

         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=./twins_dynamic.onnx \
             --output=./twins_bs${batch_size}_gelu \
             --input_format=NCHW --input_shape="input:${batch_size},3,224,224" \
             --log=debug --soc_version=${chip_name} --op_precision_mode=op_precision.ini
         

         • 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。
           • --op_precision_mode: 指定部分算子执行高性能模式 。

           运行成功后生成twins_bs${batch_size}.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 ./twins_bs${batch_size}.om --output ./result --outfmt BIN --input ./prep_dataset
      

      • 参数说明

        • outfmt：模型类型。
        • model：om文件路径。
        • output：结果存放路径。...

        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result.json中。

      python3 twins_pcpvt_s_postprocess.py --folder-davinci-target ./result --annotation-file-path /opt/npu/imageNet/val_label.txt --result-json-path ./result --json-file-name result.json
      

      ./result：为生成推理结果所在路径

      val_label.txt：为标签数据

      result.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 ./twins_bs${batch_size}.om  --output ./  --outfmt BIN --loop 100 --batchsize=${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	ImageNet2012	top1：81.22%	307FPS
300I PRO	4	ImageNet2012	top1：81.22%	458FPS
300I PRO	8	ImageNet2012	top1：81.22%	602FPS
300I PRO	16	ImageNet2012	top1：81.22%	613FPS
300I PRO	32	ImageNet2012	top1：81.22%	555FPS