VAN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

VAN模型基于一种新的大核注意（LKA）模块，以实现自注意中的自适应和远程关联，避免了在计算机视觉中图像的2D特性给自注意机制的应用所带来的问题。VAN虽然极其简单和高效，但在广泛的实验中，包括图像分类、对象检测、语义分割、实例分割等，其性能优于最先进的视觉变换器（ViTs）和卷积神经网络（CNN）。

• 参考实现：

  url=https://github.com/Visual-Attention-Network/VAN-Classification
  branch=main
  commit_id=e19779b53a1b0828b51ecb4412d577541aee83a7
  model_name=Van
  

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
  output	FLOAT32	batchsize x 1000	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	1.11.0	-
  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/Visual-Attention-Network/VAN-Classification.git
    cd VAN-Classification
    git checkout main
    git reset --hard e19779b53a1b0828b51ecb4412d577541aee83a7
    cd ..
   

2. 安装依赖。

   pip3 install -r requirements.txt
   

准备数据集

1. 获取原始数据集 本模型使用ImageNet官网的5万张验证集进行测试，以ILSVRC2012为例，用户需获取ILSVRC2012数据集，并上传到服务器，图片与标签分别存放在/opt/npu/imagenet/val与/opt/npu/imageNet/val_label.txt。

   ├── imagenet
       ├── val
       ├── val_label.txt 
   

2. 数据预处理。

   运行preprocess.py脚本对数据进行预处理

   python3 ./VAN_preprocess.py VAN ${scr_path} ./${save_path}
   

   参数说明：

   • ${scr_path}：原始数据验证集（.jpeg）所在路径
   • ${save_path}：输出的二进制文件（.bin）存放路径

模型推理

1. 模型转换。

   使用PyTorch将模型权重文件.pth.tar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

   2. 导出onnx文件

      1. 复制van.py到当前目录。

         cp ./VAN-Classification/models/van.py ./
         

      2. 使用pth2onnx.py导出onnx文件，运行VAN_pth2onnx.py脚本。

         python3 VAN_pth2onnx.py ./van.onnx ./${van.pth}
         

         参数说明：

         • ${onnx_path}：onnx模型的保存路径

         生成van.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。

         npu-smi info
         
         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              | 16.8         53                0    / 0              |
         | 0       0         | 0000:86:00.0    | 0            944  / 21534                            |
         +===================+=================+======================================================+
         

      3. 执行ATC命令。

         atc --framework=5 \
             --model=van.onnx \
             --input_format=NCHW \
             --input_shape="image:${batchsize},3,224,224" \
             --output=van_${batchsize} \
             --op_precision_mode=op_precision.ini \
             --soc_version=Ascend${chip_name}
         

         参数说明：

         • --framework：5代表ONNX模型。

         • --model：为ONNX模型文件。

         • --output：输出的OM模型。

         • --input_format：输入数据的格式。

         • --input_shape：输入数据的shape。

         • --soc_version：处理器型号。

         • --op_precision_mode: 指定部分算子选择高性能模式。

           运行成功后生成om模型文件，推荐在模型名后加后缀，如‘_bs1’，用以区分不同batch_size的om模型。

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 van_${batchsize}.om --input ${prep_dataset} --output ./ --output_dirname=result_${batchsize} --outfmt TXT --batchsize=${batchsize}
      

      参数说明：

      • --model：om文件路径
      • --input：输入数据的路径
      • --output：推理结果存放路径
      • --outfmt：输出数据的格式

      推理结果保存在result_${batchsize}文件中

3. 精度验证。

   调用VAN_postprocess.py脚本将推理结果与label进行比对，结果保存在result.json

   python3 VAN_postprocess.py --anno_file=${val_label.txt} --benchmark_out=${result_path} --result_file=./result.json
   

   • 参数说明：
     • --anno_file：val_label.txt数据标签存放路径
     • --benchmark_out：模型推理结果存放路径
     • --result_file：精度结果存放路径

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=${van_bs.om} --loop=100 --batchsize=${bs}
   

   • 参数说明：
     • --model：om模型
     • --batchsize：om模型的batchsize 度

模型推理性能&精度

精度数据

芯片型号	Batch Size	数据集	测试精度top1	标杆精度top1
300I Pro	1	imageNet2012	82.78%	82.8%
300I Pro	16	imageNet2012	82.78%	82.8%

性能数据

Batch Size	数据集	300I Pro(FPS/Card)
1	imageNet2012	379.953649
4	imageNet2012	764.789115
8	imageNet2012	874.938485
16	imageNet2012	854.965747
32	imageNet2012	805.06184
64	imageNet2012	内存不足