GFocalV2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

GFocalV2主要引入边界框不确定性的统计量来高效地指导定位质量估计，从而提升one-stage的检测器性能。

• 参考实现：

  url=https://github.com/implus/GFocalV2
  commit_id=bfcc2b9fbbcad714cff59dacc8fb1111ce381cda
  

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 800 x 1216	NCHW

• 输出数据

  输出数据	数据类型	大小	数据排布格式
  output1	FLOAT32	100 x 5	ND
  output2	FLOAT32	100	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	22.0.2	Pytorch框架推理环境准备
  CANN	5.1.RC2	-
  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。

   git clone https://github.com/implus/GFocalV2.git
   cd GFocalV2         
   git checkout master    
   git reset --hard b7b355631daaf776e097a6e137501aa27ff7e757 
   patch -p1 < ../GFocalV2.diff
   python3 setup.py develop
   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）

   该模型使用COCO数据集coco2017，下载其中val2017图片及其标注文件，放入服务器/root/dataset/coco/文件夹，val2017目录存放coco数据集的验证集图片，annotations目录存放coco数据集的instances_val2017.json。目录结构如下：

   dataset
   ├── coco  
      ├── annotations  
      ├── val2017  
   

2. 数据预处理，将原始数据集转换为模型输入的数据。

   执行gfocal_preprocess.py脚本，完成预处理。

   python3 gfocal_preprocess.py --image_src_path=${datasets_path}/coco/val2017 --bin_file_path=val2017_bin --model_input_height=800 --model_input_width=1216
   

3. 生成预处理数据集信息文件

   执行get_info.py，生成数据集信息文件

   python3 get_info.py jpg ${datasets_path}/coco/val2017 gfocal_jpeg.info
   

   第一个参数为模型输入的类型，第二个参数为数据集路径，第三个为输出的info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。

      gfocalv2预训练的pth权重文件

   2. 导出onnx文件。

      1. 使用pytorch2onnx.py导出onnx文件。

         python3 ./GFocalV2/tools/pytorch2onnx.py ./GFocalV2/configs/gfocal/gfocal_r50_fpn_1x.py ./gfocal_r50_fpn_1x.pth --output-file gfocal.onnx --input-img ./GFocalV2/demo/demo.jpg --shape 800 1216 --show
         

         获得gfocal.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=./gfocal.onnx --output=gfocal_bs1 --input_format=NCHW --input_shape="input.1:1,3,800,1216" --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gfocal_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. 配置环境变量

      source /usr/local/Ascend/ascend-toolkit/set_env.sh
      

   3. 执行推理。

      python3 -m ais_bench --model ./gfocal_bs1.om --input ./val2017_bin --output result --outfmt TXT  
      

      • 参数说明：

        • --model：om文件路径
        • --input：预处理后二进制目录。
        • --output：推理结果输出路径。
        • --outfmt：推理结果输出格式。

      推理后的输出默认在当前目录result下。

   4. 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 gfocal_postprocess.py --bin_data_path=result/${outout_dir} --annotations_path=${datasets_path} --test_annotation=gfocal_jpeg.info --net_out_num=2 --net_input_height=800 --net_input_width=1216
      

      • 参数说明：

        • --bin_data_path：为生成推理结果所在目录
        • --annotations_path：为数据集annotation所在目录
        • --test_annotations：为预处理数据集信息文件所在路径

   5. 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模型路径
        • --batchsize：batch大小

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	COCO2017	AP(IoU=0.50:0.95)=0.406	38.33 fps
300I PRO	4	COCO2017	AP(IoU=0.50:0.95)=0.406	41.85 fps
300I PRO	8	COCO2017	AP(IoU=0.50:0.95)=0.406	38.56 fps
300I PRO	16	COCO2017	AP(IoU=0.50:0.95)=0.406	37.22 fps
300I PRO	32	COCO2017	AP(IoU=0.50:0.95)=0.406	41.57 fps
300I PRO	64	COCO2017	AP(IoU=0.50:0.95)=0.406	37.45 fps