FairMOT 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

FairMOT用于目标跟踪，它使用基于CenterNet的方法进行目标检测，然后在训练的过程中进行ReID的过程，提高了跟踪的准确率

• 参考实现：

  url=https://github.com/ifzhang/FairMOT
  commit_id=2f36e7ebf640313a422cb7f07f93dc53df9b8d12
  model_name=contrib/cv/detection/FairMOT
  

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 608 x 1088	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 1 x 152 x 272	NCHW
  output2	FLOAT32	batchsize x 4 x 152 x 272	NCHW
  output3	FLOAT32	batchsize x 128 x 152 x 272	NCHW
  output4	FLOAT32	batchsize x 2 x 152 x 272	NCHW

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	22.0.3	Pytorch框架推理环境准备
  CANN	6.0.RC1	-
  Python	3.7.5	-
  PyTorch	1.6.0	-
  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. 获取源码。

   • 安装DCN以及修改DCN代码

   git clone -b pytorch_1.5 https://github.com/ifzhang/DCNv2.git
   cd DCNv2
   python3.7 setup.py build develop
   git reset 9f4254babcd162a809d165fa2430a780d14761f4 --hard
   patch -p1 < ../dcnv2.diff  
   cd ..
   

   • 下载并修改开源模型代码

   git clone -b master https://github.com/ifzhang/FairMOT.git
   cd FairMOT
   git reset 2f36e7ebf640313a422cb7f07f93dc53df9b8d12 --hard
   patch -p1 < ../fairmot.diff
   cd ..
   

2. 安装依赖。

   pip3 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MOT17数据集。将数据做如下处理

   mkdir dataset
   cd dataset
   wget https://motchallenge.net/data/MOT17.zip
   unzip MOT17.zip
   cd MOT17
   mkdir images
   mv train/ images/
   mv test/ images/
   cd ../..
   python3 FairMOT/src/gen_labels_16.py
   

2. 数据预处理，将原始数据集转换为模型输入的数据。

   执行fairmot_preprocess.py脚本，完成预处理。

   python3 fairmot_preprocess.py --data_root=./dataset --output_dir=./pre_dataset 
   

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。

      wget https://ascend-repo-modelzoo.obs.cn-east-2.myhuaweicloud.com/model/1_PyTorch_PTH/FairMOT/PTH/fairmot_dla34.pth
      

   2. 导出onnx文件。

      1. 使用fairmot_pth2onnx.py导出onnx文件。

         运行fairmot_pth2onnx.py脚本。

         python3 fairmot_pth2onnx.py --input_file=fairmot_dla34.pth --output_file=fairmot.onnx
         

         获得fairmot.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）
         会显如下：
         +-------------------+-----------------+------------------------------------------------------+
         | 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=./fairmot.onnx --input_format=NCHW --input_shape="actual_input_1:1,3,608,1088" --output=./fairmot_bs1 --log=error --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fairmot_bs1.om模型文件。

2. 开始推理验证。

   1. 使用ais-bench工具进行推理。

      ais-bench工具获取及使用方式请点击查看[ais-bench 推理工具使用文档]

   2. 执行推理。

      python3 -m ais_bench  --model fairmot_bs1.om --input ./pre_data --output ./ --output_dirname result --outfmt BIN
      

      • 参数说明：

        • model：om模型
        • input：输入文件
        • output：结果输出路径
        • output_dirname: 结果输出文件夹
        • outfmt：结果输出格式

      推理后的输出默认在当前目录result下。

      说明： 执行ais-bench工具请选择与运行环境架构相同的命令

   3. 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。

       python3 fairmot_postprocess.py --data_dir=./dataset  --input_root=./result > bs_1_result.log
      

      • 参数说明：
        • input_root：为生成推理结果所在路径
        • data_dir：原始文件路径

      结果保存在bs_1_result.log

   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：

       python3 -m ais_bench --model=${om_model_path} --loop=20 --batchsize=${batch_size}
      

      • 参数说明：
        • --model：om模型
        • --batchsize：模型batchsize
        • --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。

芯片型号	Batch Size	数据集	精度	性能
300I Pro	1	MOT	MOTA:83.7	11.6
300I Pro	4	MOT	MOTA:83.7	12
300I Pro	8	MOT	MOTA:83.7	12
300I Pro	16	MOT	MOTA:83.7	12
300I Pro	32	MOT	MOTA:83.7	12