xception 模型推理指导

• 概述
  • 输入输出数据
• 推理环境
• 快速上手
  • 准备数据集
  • 模型转换
  • 推理验证
• 性能&精度

---

概述

Xception是Google公司继Inception后提出的对 Inception-v3 的另一种改进。作者认为，通道之间的相关性与空间相关性最好要分开处理。于是采用 Separable Convolution来替换原来 Inception-v3中的卷积操作。

• 论文
  xception论文
  François Chollet

• 参考实现：
  xception代码

输入输出数据

• 模型输入

  input-name	data-type	data-format	input-shape
  image	FLOAT32	NCHW	BATCHS_SIZE,3,299,299

• 模型输出

  output-name	data-type	data-format	output-shape
  output1	FLOAT32	NCHW	BATCHS_SIZE,1000

---

推理环境

• 该模型推理所需配套的软件如下：

  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	-

  说明：请根据推理卡型号与 CANN 版本选择相匹配的固件与驱动版本。

---

快速上手

安装

• 安装推理过程所需的依赖

  pip3 install -r requirements.txt
  

• 获取源码

  git clone https://github.com/tstandley/Xception-PyTorch
  cd Xception-PyTorch  
  git reset 7b9718bb525fefc95f507306e685aa8998d0492c --hard  
  cd ..
  

如果使用补丁文件修改了模型代码则将补丁打入模型代码，如果需要引用模型代码仓的类或函数通过sys.path.append(r"./Xception-PyTorch")添加搜索路径。

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/root/dataset/ILSVRC2012//val与/root/dataset/ILSVRC2012/val_label.txt。

2. 数据预处理
   执行前处理脚本将原始数据转换为OM模型输入需要的bin/npy文件。

   python3 img_preprocess.py --src_path /root/dataset/ILSVRC2012/images/ --save_path ./pre_dataset
   

   其中"src_path"表示处理前原数据集的地址，"save_path"表示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：

   ├── pre_dataset
   │    ├──ILSVRC2012_val_00000003.bin
   │    ├──......     	 
   

模型转换

1. PyTroch 模型转 ONNX 模型

   xception预训练pth权重文件

   然后执行执行以下命令生成 ONNX 模型：

   python3 xception_pth2onnx.py  --input_file xception-c0a72b38.pth.tar  --output_file xception.onnx
   

   参数说明：

   • --input_file: 参数配置文件路径
   • --output_file: 生成ONNX模型的保存路径

2. ONNX 模型转 OM 模型

   step1: 查看NPU芯片名称 ${chip_name}

   npu-smi info
   

   例如该设备芯片名为 310P3，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                            |
   +===================+=================+======================================================+
   

   step2: ONNX 模型转 OM 模型

   # 配置环境变量
   source /usr/local/Ascend/ascend-toolkit/set_env.sh
   
   chip_name=310P3  # 根据 step1 的结果设值
   # 执行 ATC 进行模型转换
   atc --framework=5 --model=xception.onnx --output=xception_1 --input_format=NCHW --input_shape="image:1,3,299,299" --log=debug  --soc_version=Ascend${chip_name}
   

   参数说明：

   • --framework: 5代表ONNX模型
   • --model: ONNX模型路径
   • --input_shape: 模型输入数据的shape
   • --input_format: 输入数据的排布格式
   • --output: OM模型路径，无需加后缀
   • --log：日志级别
   • --soc_version: 处理器型号

推理验证

1. 对数据集推理
   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。完成安装后，执行以下命令预处理后的数据进行推理。

   mkdir results
   python3 -m ais_bench \
       --model ./xception_1.om \
       --input ./pre_dataset \
       --output ./results \
       --outfmt TXT \
       --batchsize 1
   

   参数说明：

   • --model OM模型路径
   • --input 存放预处理后数据的目录路径
   • --output 用于存放推理结果的父目录路径
   • --outfmt 推理结果文件的保存格式
   • --batchsize 模型每次输入bin文件的数量

2. 性能验证
   对于性能的测试，需要注意以下三点：

   • 测试前，请通过npu-smi info命令查看NPU设备状态，请务必在NPU设备空闲的状态下进行性能测试。
   • 为了避免测试过程因持续时间太长而受到干扰，建议通过纯推理的方式进行性能测试。
   • 使用吞吐率作为性能指标，单位为 fps，反映模型在单位时间（1秒）内处理的样本数。

   python3 -m ais_bench --model xception_1.om --batchsize 1
   执行完纯推理命令，程序会打印出与性能相关的指标，找到以关键字 **[INFO] throughput** 开头的一行，行尾的数字即为 OM 模型的吞吐率。
   
   

3. 精度验证

   执行后处理脚本，根据推理结果计算OM模型的精度：

   python3 imagenet_acc_eval.py --folder_davinci_target ./results/****** --annotation_file_path /root/dataset/ILSVRC2012/val_label.txt --result_json_path ./ --json_file_name result.json
   

   参数说明：

   • --folder_davinci_target: 存放推理结果的目录路径
   • --annotation_file_path: 标签文件路径
   • --result_json_path: 后处理结果路径。
   • --json_file_name: 推理保存节点数。 运行成功后，程序会将各top1~top5的正确率记录在 result.json 文件中，可执行以下命令查看：

---

性能&精度

在300I PRO设备上，OM模型的精度为 {top1:78.8%;top5:94.33%}，当batchsize设为1时模型性能最优，达 22.06 fps。

芯片型号	BatchSize	数据集	精度	性能
300I Pro	1	imagenet	top1:78.8%;top5:94.33%	799.4563 fps
300I Pro	4	imagenet	top1:78.8%;top5:94.33%	1374.5468 fps
300I Pro	8	imagenet	top1:78.8%;top5:94.33%	1491.660 fps
300I Pro	16	imagenet	top1:78.8%;top5:94.33%	1506.938 fps
300I Pro	32	imagenet	top1:78.8%;top5:94.33%	1424.2953 fps
300I Pro	64	imagenet	top1:78.8%;top5:94.33%	829.0842 fps