Cascade-RCNN-Resnet50-FPN模型-推理指导
概述
Cascade-RCNN_DCN在之前的cascade-RCNN的基础上，采用形变卷积算子，使整体网络精度提升。
-
参考实现：
url=https://github.com/open-mmlab/mmdetection commit_id=a21eb25535f31634cef332b09fc27d28956fb24b code_path=contrib/cv/detection/Cascade-RCNN-Resnet50-FPN
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 1216 x 1216 NCHW -
输出数据
输出数据 数据类型 大小 数据排布格式 boxes FLOAT32 100 x 5 ND labels INT64 100 x 1 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 1.0.17(NPU驱动固件版本为6.0.RC1) Pytorch框架推理环境准备 CANN 6.0.RC1 - Python 3.7.5 -
快速上手
获取源码
-
安装依赖。
pip install -r requirements.txt -
获取源码。
- 安装开源仓
git clone --branch v2.8.0 https://github.com/open-mmlab/mmdetection cd mmdetection git reset --hard a21eb25535f31634cef332b09fc27d28956fb24b pip install -v -e .- 修改模型
patch -p1 < ../Cascade_RCNN.patch cd .. -
安装mmcv-full,mmpycocotools
pip install openmim mim install mmcv-full==1.2.5 mim install mmpycocotools==12.0.3
准备数据集
-
获取原始数据集。 本模型已在coco 2017数据集上验证过精度。推理数据集采用coco_val_2017，请用户自行获取coco_val_2017数据集。将instances_val2017.json文件和val2017文件夹按照如下目录结构上传并解压数据集到服务器任意目录。 最终，数据的目录结构如下：
├── coco ├── val2017 ├── annotations ├──instances_val2017.json -
数据预处理，将原始数据集转换为模型输入的数据。
执行cascade_rcnn_r50_fpn_preprocess.py脚本，完成预处理。
python cascade_rcnn_r50_fpn_preprocess.py --image_folder_path ./coco/val2017 --bin_folder_path ./val2017_bin- 参数说明：
- --image_folder_path：数据集路径。
- --bin_folder_path：预处理后的数据文件的相对路径。
运行成功后，会在当前目录下生成二进制文件。
- 参数说明：
模型推理
-
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。
-
获取权重文件。
-
导出onnx文件。
-
使用mmdetection/tools/pytorch2onnx.py导出onnx文件。
python mmdetection/tools/pytorch2onnx.py mmdetection/configs/cascade_rcnn/cascade_rcnn_r50_fpn_1x_coco.py ./cascade_rcnn_r50_fpn_1x_coco_20200316-3dc56deb.pth --output-file=cascade_rcnn_r50_fpn.onnx --shape 1216- 参数说明：
- --shape : 模型大小
- --output-file: 输出onnx模型
获得cascade_rcnn_r50_fpn.onnx文件,模型只支持bs1。
- 参数说明：
-
-
使用ATC工具将ONNX模型转OM模型。
-
配置环境变量。
source /usr/local/Ascend/ascend-toolkit/set_env.sh -
执行命令查看芯片名称（${chip_name}）。
npu-smi info #该设备芯片名为Ascend310P3 （自行替换） 回显如下： +-------------------+-----------------+------------------------------------------------------+ | NPU Name | Health | Power(W) Temp(C) Hugepages-Usage(page) | | Chip Device | Bus-Id | AICore(%) Memory-Usage(MB) | +===================+=================+======================================================+ | 0 310P3 | OK | 15.8 42 0 / 0 | | 0 0 | 0000:82:00.0 | 0 1074 / 21534 | +===================+=================+======================================================+ | 1 310P3 | OK | 15.4 43 0 / 0 | | 0 1 | 0000:89:00.0 | 0 1070 / 21534 | +===================+=================+======================================================+ -
执行ATC命令。
atc --framework=5\ --model=./cascade_rcnn_r50_fpn.onnx\ --output=./cascade_rcnn_r50_fpn\ --input_format=NCHW\ --input_shape="input:1,3,1216,1216"\ --log=info\ --out_nodes="Concat_828:0;Reshape_830:0"\ --soc_version=Ascend${ChipName}-
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。
- --out_nodes: 输出节点
-
运行成功后生成cascade_rcnn_r50_fpn.om模型文件。
-
-
-
开始推理验证。
-
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。
-
执行推理。
python -m ais_bench --model ./cascade_rcnn_r50_fpn.om\ --input ./val2017_bin/\ --output ./result\ --batchsize 1\ --outfmt BIN\ --output_dirname ais-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
- --output_dirname: 输出结果子目录 推理后的输出默认在当前目录result下。
-
精度验证。
运行get_info.py,生成图片数据文件
python get_info.py jpg ./coco/val2017 coco2017_jpg.info-
参数说明：
- --第一个参数：原始数据集
- --第二个参数：图片数据信息
调用“cascade_rcnn_r50_fpn_postprocess.py”评测模型的精度。
python cascade_rcnn_r50_fpn_postprocess.py --bin_data_path=result --prob_thres=0.05 --ifShowDetObj --det_results_path=detection-results --test_annotation=coco2017_jpg.info-
参数说明：
- --bin_data_path: 推理结果。
- --test_annotatio: 原始图片信息文件。
- --det_results_path: 后处理输出结果。
- --ifShowDetObj：是否将box画在图上显示。
- --prob_thres: 目标框的置信度阈值
评测结果的mAP值需要使用官方的pycocotools工具，首先将后处理输出的txt文件转化为coco数据集评测精度的标准json格式。
python txt_to_json.py --npu_txt_path detection-results --json_output_file coco_detection_aisInfer_result-
参数说明：
- --npu_txt_path: 后处理输出结果
- --json_output_file: 输出json
调用coco_eval.py脚本，输出推理结果的详细评测报告。
python coco_eval.py --detection_result coco_detection_aisInfer_result.json --ground_truth ./coco/annotations/instances_val2017.json-
参数说明：
- --detection_result: 输出json
- --ground_truth: 标签
-
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 ./cascade_rcnn_r50_fpn.om --loop 100 --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。
-
精度对比
Model batchsize Accuracy Cascade_rcnn_r50 1 bbox_mAP = 0.405 -
性能对比
batchsize 300I PRO 性能 1 6.5