xcit模型-推理指导

• 概述

• 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

  ---

概述

Xcit是针对于图片处理设计的基于Transformer架构的神经网络。该网络基于在风格迁移领域的Gram矩阵的思想，提出使用协方差计算代替传统Transformer中的自适应模块。模型除了使用了改进的自适应模块 (attention block) 外，也使用到了卷积和全连接操作，并采用堆叠block的方式构成了最后的图形处理网络。

• 参考实现：

  url=https://github.com/facebookresearch/xcit
  branch=master
  commit_id=82f5291f412604970c39a912586e008ec009cdca
  

  通过Git获取对应commit_id的代码方法如下：

  git clone {repository_url}        # 克隆仓库的代码
  cd {repository_name}              # 切换到模型的代码仓目录
  git checkout {branch/tag}         # 切换到对应分支
  git reset --hard {commit_id}      # 代码设置到对应的commit_id（可选）
  cd {code_path}                    # 切换到模型代码所在路径，若仓库下只有该模型，则无需切换
  

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
  output1	batchsize x 1000	FLOAT32	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.RC1	-
Python	3.7.5	-
PyTorch	1.8.0	-
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.获取开源代码仓

   git clone https://github.com/facebookresearch/xcit.git
   cd xcit
   git checkout 82f5291f412604970c39a912586e008ec009cdca
   patch -p1 < ../xcit.patch
   cd ..

2. 安装依赖。

    pip3 install -r requirment.txt

注：如遇报错优先查看依赖是否安装正确的版本。

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）。本模型将使用到预处理后的“target.json”文件作为最后的比对标签。

   数据目录结构请参考：

    ├──ImageNet
        ├──val2017
        ├──result
              ├──target.json
   

2. 数据预处理。(请拆分sh脚本，将命令分开填写)

   数据预处理将原始数据集转换为模型输入的数据。

   执行xcit_preprocess.py脚本，完成预处理。

   mkdir prep_dataset
   python3.7 xcit_preprocess.py --data-path=${dataset_path} --resume=./prep_dataset
    
   

   • 参数说明：

     • --data-path：原始数据验证集（.jpeg）所在路径。

     • --resume：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。运行成功后，在当前目录下生成“prep_dataset”二进制文件夹。

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：xcit_small_12_p16.pth。

   2. 导出onnx文件。

      1. 使用“xcit_small_12_p16.pth”导出onnx文件。
         运行“xcit_pth2onnx.py”脚本。

      mkdir onnx_models
      python3.7 xcit_pth2onnx.py --pretrained=./xcit_small_12_p16_224.pth --batch-size=16
      

      获得“xcit_b16.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。

         atc --framework=5 --model=onnx_models/xcit_b16.onnx  --output=xcit_b16 --input_format=NCHW --input_shape="image:16,3,224,224" --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“xcit_b16.om”模型文件。

2. 开始推理验证。

   a. 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。

   b. 执行推理。

        python3 -m ais_bench --model onnx_models/xcit_b16.om --input ./prep_dataset --output ./ --outfmt TXT
   

   • 参数说明：

     • --model：om文件路径。
     • --input：预处理后bin文件路径。
     • --outfmt：以TXT格式输出。 ...

     推理后的输出默认在当前目录下。

   c. 精度验证。

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

   rm -rf {your_result_path}/summary.json
   python3.7 xcit_postprocess.py    --result_path {your_result_path}  --target_file ./target.json   --save_file ./result.json
   

   • 参数说明：

     • --{your_result_path}：为生成推理结果所在路径

     • --target.json：为标签数据

     • --result.json：为生成结果文件

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。

芯片型号	Batch Size	数据集	精度	性能
300I PRO	8	imagenet 2012	81.86%	443.885fps