VOLO Onnx模型端到端推理指导

• 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

  ---

概述

VOLO采用两阶段架构设计，同时考虑了更具细粒度的token表示编码和全局信息聚合。第一阶段由一堆Outlookers组成，用于生成精细级别的token表示。第二阶段部署一系列transformer blocks来聚合全局信息。VOLO模型在ImageNet-1K分类任务能达到87.1%的准确率，在分割任务上也能达到SOTA级别。

• 参考论文：VOLO: Vision Outlooker for Visual Recognition

• 参考实现：

  url=https://github.com/sail-sg/volo
  branch=main
  commit_id=cf35775276a887ccd749ad82c3ba0ac034020cc9
  

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
  output	batchsize 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	22.0.2	Pytorch框架推理环境准备
CANN	6.0.RC1	-
Python	3.7.5	-
PyTorch	1.10.0	-
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/sail-sg/volo.git
   

2. 安装依赖。

   pip3.7.5 install -r requirements.txt
   

3. 安装MagicONNX

   git clone https://gitee.com/Ronnie_zheng/MagicONNX.git
   cd MagicONNX
   pip3.7.5 install .
   cd ..
   

​

准备数据集

1. 获取原始数据集。

   该模型使用ImageNet官网的5万张验证集进行测试，图片与标签分别存放在 /home/datasets/imagenet/val 与 /home/datasets/imagenet/val_label.txt。

   解压后数据集目录结构：

   imagenet
   ├── val_label.txt    //验证集标注信息       
   └── val             // 验证集文件夹
   

2. 数据预处理。

   将原始数据转化为二进制文件（.bin）。

   执行volo_preprocess.py脚本，生成数据集预处理后的bin文件，存放在当前目录下的prep_dataset文件夹中。

   python3.7.5 volo_preprocess.py --src /home/datasets/imagenet/val --des ./data_bs8 --batchsize 8
   

   获得data_bs8路径下的bin文件以及当前目录下的volo_val_bs8.txt文件。

   • 参数说明
     • --src：数据集的路径。
     • --des：生成的bin文件路径。
     • --batchsize: 数据集分成的batchsize。

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。

      从官网获取d1_224_84.2.pth.tar权重文件d1_224_84.2.pth.tar。

   2. 导出onnx文件。

      1. 使用volo_pth2onnx.py导出onnx文件。

         运行使用volo_pth2onnx.py脚本。

         python3.7.5 volo_pth2onnx.py --src d1_224_84.2.pth.tar --des volo_bs8.onnx --batchsize 8
         

         获得volo_bs8.onnx文件。

         • 参数说明：
           • --src: 权重文件路径。
           • --des: 生成的onnx文件。
           • --batchsize: 模型batchsize。

      2. 优化ONNX文件。

         python3.7.5 modify.py --src volo_bs8.onnx --des volo_modify_bs8.onnx
         

         获得volo_modify_bs8.onnx文件。

         • 参数说明：
           • --src: 待修改的onnx文件路径。
           • --des: 生成的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。

         使用atc将onnx模型转换为om模型文件，工具使用方法可以参考《CANN 开发辅助工具指南 (推理)》。生成转换batch size为8的om模型的命令如下，对于其他的batch size，可作相应的修改。

         atc --framework=5 --model=volo_modify_bs8.onnx --output=volo_bs8 --input_format=NCHW --input_shape="input:8,3,224,224" --log=debug --soc_version=Ascend${chip_name} --buffer_optimize=off_optimize
         

         • 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。
           • --log：日志级别。
           • --soc_version：处理器型号。
           • --buffer_optimize: 是否开启数据缓存优化。off_optimize：表示关闭数据缓存优化。

         运行成功后生成volo_bs8.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。

      python3.7.5 -m ais_bench --model volo_bs8.om --batchsize 8 --input ./data_bs8 --output ./result --outfmt "TXT" --device 0
      

      • 参数说明：

        • --model: 需要进行推理的om离线模型文件。
        • --batchsize: 模型batchsize。
        • --input: 模型需要的输入，指定输入文件所在的目录即可。
        • --output: 推理结果保存目录。结果会自动创建”日期+时间“的子目录，保存输出结果。可以使用--output_dirname参数，输出结果将保存到子目录output_dirname下。
        • --outfmt: 输出数据的格式。设置为"TXT"用于后续精度验证。
        • --device: 指定NPU运行设备。取值范围为[0,255]，默认值为0。

        推理后的输出默认在当前目录result下。

   3. 精度验证。

      调用volo_postprocess.py脚本，可以获得Accuracy数据，精度结果在屏幕上显示。

      python3.7.5 volo_postprocess.py --batchsize 8 --result ./result/2023_01_09-03_51_08 --label ./volo_val_bs8.txt
      

      • 参数说明：
        • --batchsize: 模型batchsize。
        • --result: 推理结果所在路径（根据具体的推理结果进行修改）。
        • --label: 预处理后生成的标签。

   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：

       python3.7.5 -m ais_bench --model volo_bs8.om --batchsize 8 --output ./result --loop 1000 --device 0
      

      • 参数说明：
        • --model：需要进行推理的om模型。
        • --batchsize：模型batchsize。不输入该值将自动推导。当前推理模块根据模型输入和文件输出自动进行组batch。参数传递的batchszie有且只用于结果吞吐率计算。请务必注意需要传入该值，以获取计算正确的吞吐率。
        • --output: 推理结果输出路径。默认会建立"日期+时间"的子文件夹保存输出结果。
        • --loop: 推理次数。默认值为1，取值范围为大于0的正整数。
        • --device: 指定NPU运行设备。取值范围为[0,255]，默认值为0。

   ​

模型推理性能&精度

调用ACL接口推理计算，精度和性能参考下列数据。

芯片型号	Batch Size	数据集	精度acc1	性能
300I Pro	1	ImageNet	82.532%	97.354
300I Pro	4	ImageNet	84.154%	119.757
300I Pro	8	ImageNet	84.154%	124.264
300I Pro	16	ImageNet	84.154%	117.365
300I Pro	32	ImageNet	84.161%	114.969
300I Pro	64	ImageNet	84.161%	108.307

公网地址说明

代码涉及公网地址参考 public_address_statement.md