vovnet39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

基于VoVNet的目标检测模型性能超越基于DenseNet的模型，速度也更快，相比ResNet也是性能更好。

• 参考实现：

  url=https://github.com/AlexanderBurkhart/cnn_train.git
  commit_id=505637bcd08021e144c94e81401af6bc71fd46c6
  model_name=cnn_train
  

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	FP32	1 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	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	22.0.2	Pytorch框架推理环境准备
  CANN	5.1.RC2	-
  Python	3.7.5	-

快速上手

获取源码

1. 获取源码。

   git clone https://github.com/AlexanderBurkhart/cnn_train.git
    cd cnn_train
    git reset --hard 505637bcd08021e144c94e81401af6bc71fd46c6
    cd ..
   

2. 安装依赖。

   pip install -r requirements.txt
   

准备数据集

1. 获取原始数据集。

   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（假设 dataset_dir=/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。

   数据目录结构请参考：

   |-- ILSVRC2012
     |-- ILSVRC2012_val_00000001.JPEG
     |-- ILSVRC2012_val_00000002.JPEG
     |-- ILSVRC2012_val_00000003.JPEG
     |-- ...
   

2. 数据预处理，将原始数据集转换为模型输入的数据。

   运行数据预处理脚本，将原始数据转换为符合模型输入要求的bin文件。

   python vovnet39_preprocess.py ${dataset_dir}/ILSVRC2012 ./prep_dataset
   

   -参数说明：

   • 第一个参数：验证集的路径
   • 第二个参数：输出文件的路径

   运行成功后，会在当前目录下生成二进制文件。

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。

      该推理项目使用源码包中的权重文件vovnet39.pth。

   2. 导出onnx文件。

      使用vovnet39_pth2onnx.py导出onnx文件。

      python vovnet39_pth2onnx.py  vovnet39.pth vovnet39.onnx
      

      获得vovnet39.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。

         # 本文以batch_size=1为例进行说明
         atc --framework=5 \
            --model=./vovnet39.onnx \
            --input_format=NCHW \
            --input_shape="image:1,3,224,224" \
            --output=vovnet39_bs1 \
            --log=debug \
            --soc_version=Ascend${chip_name}
         

         • 参数说明：
           • --model: ONNX模型文件所在路径。
           • --framework: 5 代表ONNX模型。
           • --input_format: 输入数据的排布格式。
           • --input_shape: 输入数据的shape。
           • --output: 生成OM模型的保存路径。
           • --log: 日志级别。
           • --soc_version: 处理器型号。

      运行成功后生成vovnet39_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。

      python -m ais_bench \
              --model ./vovnet39_bs1.om \
              --input ./prep_dataset \
              --batchsize 1 \
              --outfmt TXT  \
              --output ./result
      

      • 参数说明：

        • --model: OM模型路径。
        • --input: 存放预处理bin文件的目录路径
        • --output: 存放推理结果的目录路径
        • --batchsize：每次输入模型的样本数
        • --outfmt: 推理结果数据的格式

        推理后的输出默认在当前目录result下。

   3. 精度验证。

      执行后处理脚本，计算 topN 精度：

      python vovnet39_postprocess.py \
                result/2022_10_26-15_44_59  \
                /opt/npu/ImageNet/val_label.txt \
                ./ \
                result.json
      

      • 参数说明：
        • 第一个参数: 推理输出目录
        • 第二个参数: 数据集配套标签
        • 第三个参数: 生成文件的保存目录
        • 第四个参数: 生成的文件名

      说明：精度验证之前，将推理结果文件中summary.json删除

   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：

      python -m ais_bench --model vovnet39_bs1.om --loop 20 --batchsize 1
      

      -参数说明：

      • --model: om模型
      • --batchsize: 每次输入模型样本数
      • --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。

1. 精度对比

   Model	batchsize	Accuracy	开源仓精度
   vovnet39	1	top1 76.77 top5 93.43	top1 76.77 top5 93.43

2. 性能对比

   batchsize	T4 性能	300I PRO 性能	300I PRO/T4
   1	1128	832.6	1.2
   4	1318	1767.6	1.4
   8	1375	1756.6	1.2
   16	1483	1728.6	1.2
   32	1483	1703.5	1.14
   64	1219	1551.2	1.01