Wide_ResNet101_2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

• 参考实现：

  url=https://github.com/pytorch/vision
  commit_id=7d955df73fe0e9b47f7d6c77c699324b256fc41f
  code_path=ACL_PyTorch/contrib/cv/classfication
  model_name=Wide_ResNet101_2
  

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	1 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	1.8.1	-
  说明：Atlas 300I Duo 推理卡请以CANN版本选择实际固件与驱动版本。	\	\

• 该模型需要以下依赖

  表 2 依赖列表

  依赖名称	版本
  onnx	1.7.0
  Torch	1.8.1
  TorchVision	0.9.1
  numpy	1.18.5
  Pillow	7.2.0
  opencv-python	4.2.0.34

快速上手

获取源码

1. 获取源码。

   git clone https://github.com/pytorch/vision
   cd vision
   git reset 7d955df73fe0e9b47f7d6c77c699324b256fc41f --hard
   python3 setup.py install
   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，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验证集及ILSVRC2012_devkit_t12.gz中的val_label.txt数据标签。 目录结构如下：

   ├── ImageNet
     ├── val
     ├── 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。

   将原始数据（.jpeg）转化为二进制文件（.bin）。

   执行imagenet_torch_preprocess.py 脚本，完成预处理。

   python3 imagenet_torch_preprocess.py resnet /home/HwHiAiUser/dataset/imagenet/val ./prep_dataset
   

   • 参数说明：
     • 第一个参数：原始数据验证集（.jpeg）所在路径。
     • 第二个参数：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。

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。

      从源码包中获取权重文件wide_resnet101_2-32ee1156.pth。

      wget https://download.pytorch.org/models/wide_resnet101_2-32ee1156.pth
      

   2. 导出onnx文件。

      1. 使用wrn101_2_pth2onnx.py导出onnx文件。

         运行wrn101_2_pth2onnx.py脚本。

         python3 wrn101_2_pth2onnx.py wide_resnet101_2-32ee1156.pth wrn101_2_pth.onnx
         

      获得wrn101_2_pth.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=wrn101_2_pth.onnx --output=wrn101_2_bs1 --input_format=NCHW --input_shape="image:1,3,224,224" --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wrn101_2_bs1.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 ./wrn101_2_bs1.om --input ./prep_dataset --output ./result --output_dirname bs1 --outfmt TXT --batchsize 1
      

      • 参数说明：
        • --model：om模型。
        • --input：预处理数据集路径。
        • --output：推理结果所在路径。
        • --output_dirname： 推理结果输出子文件夹。可选参数。与参数output搭配使用，单独使用无效。设置该值时输出结果将保存到 output/output_dirname文件夹中 。
        • --outfmt：推理结果文件格式。
        • --batchsize：不同的batchsize。

      推理后的输出结果在result。

   3. 精度验证。

      调用imagenet_acc_eval.py脚本与数据集标签val_label.txt比对，可以获得Accuracy Top5数据，结果保存在result.json中。

      python3 imagenet_acc_eval.py ./result/bs1 /home/HwHiAiUser/datasets/imagenet/val_label.txt ./ result.json
      

      • 参数说明：

        • ./bs1/ ：为生成推理结果所在路径
        • val_label.txt：标签数据。
        • ./ ： 生成结果文件路径
        • result.json：生成结果文件名称。

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。

精度对比：

Model	wide_resnet101_2
官网精度	Acc@1：78.848 Acc@5：94.284
300I Pro	Acc@1：78.86 Acc@5：94.29

性能对比：

芯片型号	Batch Size	数据集	性能
300I Pro	1	ILSVRC2012	470.4749
300I Pro	4	ILSVRC2012	1005.548
300I Pro	8	ILSVRC2012	1118.654
300I Pro	16	ILSVRC2012	1151.036
300I Pro	32	ILSVRC2012	1124.275
300I Pro	64	ILSVRC2012	791.456