AdvancedEAST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

AdvancedEAST是一种用于场景图像文本检测的算法，它主要基于EAST: An Efficient and Accurate Scene Text Detector，并进行了重大改进，使长文本预测更加准确。

• 参考论文：Xinyu Zhou, Cong Yao, He Wen, Yuzhi Wang, Shuchang Zhou, Weiran He, Jiajun Liang. EAST: An Efficient and Accurate Scene Text Detector. (2017)

• 参考实现：

  url=https://github.com/BaoWentz/AdvancedEAST-PyTorch 
  branch=master 
  commit_id=a835c8cedce4ada1bc9580754245183d9f4aaa17
  

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 736 x 736	NCHW

• 输出数据

  输出数据	数据类型	大小	数据排布格式
  output1	FLOAT32	batchsize x 7 x 184 x 184	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	1.0.16（NPU驱动固件版本为5.1.RC2）	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/BaoWentz/AdvancedEAST-PyTorch -b master 
   cd AdvancedEAST-PyTorch 
   git reset a835c8cedce4ada1bc9580754245183d9f4aaa17 --hard 
   cd ..
   

2. 安装依赖。

   pip 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）

   本模型支持天池ICPR数据集中的1000张图片作为验证集。下载链接: https://pan.baidu.com/s/1NSyc-cHKV3IwDo6qojIrKA，密码: ye9y。下载ICPR_text_train_part2_20180313.zip和[update] ICPR_text_train_part1_20180316.zip两个压缩包，新建目录icpr和子目录icpr/image_10000、icpr/txt_10000，将压缩包中image_9000、image_1000中的图片文件解压至image_10000中，将压缩包中txt_9000、txt_1000中的标签文件解压至txt_10000中。目录结构如下：

   icpr
   ├── image_10000           //验证集图片  
        ├── img1.jpg
   └── txt_10000             // 标签文件夹
        ├── img1.txt
   

2. 数据预处理，将原始数据集转换为模型输入的数据。

   执行AdvancedEAST_preprocess.py脚本，完成预处理。

   python AdvancedEAST_preprocess.py icpr prep_dataset
   

   • 参数说明：
     • icpr：数据集的路径。
     • prep_dataset：预处理之后bin文件存放的文件夹。

   运行成功生成文件夹prep_dataset，存放着预处理之后的二进制文件。

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3T736_best_mF1_score.pth。

   2. 导出onnx文件。

      使用AdvancedEAST_pth2onnx.py导出onnx文件。

      运行AdvancedEAST_pth2onnx.py脚本。

      python AdvancedEAST_pth2onnx.py 3T736_best_mF1_score.pth AdvancedEAST_dybs.onnx
      

      • 参数说明：
        • 3T736_best_mF1_score.pth：pth权重文件路径。
        • AdvancedEAST_dybs.onnx：导出onnx的文件路径。

      获得AdvancedEAST_dybs.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=AdvancedEAST_dybs.onnx --output=AdvancedEAST_bs1 --input_format=NCHW --input_shape='input_1:1,3,736,736' --log=error --soc_version=Ascend${chip_name} --auto_tune_mode='RL,GA'
         

         • 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。
           • --auto_tune_mode: 设置算子的自动调优模式。

         运行成功后生成AdvancedEAST_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 AdvancedEAST_bs1.om  --input prep_dataset/ --output ./result --output_dir dumpout_bs1 --batchsize 1
      

      • 参数说明：

        • --model：模型类型。
        • --input：om文件路径。
        • --output：输出文件目录。
        • --output_dir：输出文件子目录。
        • --batchsize：数据集的batchsize。

      推理后的输出默认在当前目录result下。

   3. 精度验证。

      调用脚本AdvancedEAST_postprocess.py，获得精度数据。

      python AdvancedEAST_postprocess.py icpr result/dumpout_bs1
      

      • 参数说明：

        • icpr：数据集路径
        • result/dumpout_bs1：推理结果所在路径。

      注意：后处理需要用到libgeos_c.so，若报错请安装系统对应的包，如Ubuntu执行以下命令：sudo apt-get install libgeos-dev。

   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=${om_model_path} --loop=20 --batchsize=${batch_size}
      

      • 参数说明：
        • --model：om模型的路径。
        • --batchsize：推理的batchsize。
        • --loop：推理循环的次数。

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。

芯片型号	Batch Size	数据集	精度	性能
300I Pro	1	ICPR	f1-score:52.08%	137.9101
300I Pro	4	ICPR	f1-score:52.08%	133.0594
300I Pro	8	ICPR	f1-score:52.08%	131.4062
300I Pro	16	ICPR	f1-score:52.08%	131.5172
300I Pro	32	ICPR	f1-score:52.08%	131.3700
300I Pro	64	ICPR	f1-score:52.08%	131.7403