NAS_FPN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

在目标检测中，不同尺度的特征在建模语义信息和细节信息上具有不同的表现，因此对多尺度的特征进行融合对于提升检测效果至关重要。NAS-FPN自动的对自顶向下和自底向上的双向融合策略进行搜索，从而得到优于FPN和PANet的融合策略。NAS-FPN 与 RetinaNet 框架中的若干骨干模型相结合，实现了优于当前最佳目标检测模型的准确率和延迟权衡。该架构将移动检测准确率提高了 2 AP。

简单描述模型的结构、应用、优点等信息。

• 参考实现：

  url=https://github.com/open-mmlab/mmdetection
  commit_id=a21eb25535f31634cef332b09fc27d28956fb24b
  

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 640 x 640	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	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	1.0.17	Pytorch框架推理环境准备
  CANN	6.0.RC1	-
  Python	3.7.5	-
  PyTorch	1.7.0	-
  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/open-mmlab/mmdetection.git
   cd mmdetection  
   git reset a21eb25535f31634cef332b09fc27d28956fb24b --hard
   pip3 install -v -e .
   patch -p1 < ../NAS_FPN.patch   
   cd ..
   

2. 安装依赖。

   pip3 install -r requirements.txt
   pip3 install openmim
   mim install mmcv-full==1.2.4
   mim install mmpycocotools==12.0.3
   

   通过命令找到mmcv-full安装位置。

   pip3 show mmcv-full
   

   修改mmcv中的算子脚本，使其支持导出onnx

   patch -p0 xxx/lib/python3.7/site-packages/mmcv/ops/merge_cells.py merge_cells.patch
   

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coco2017验证集。获取数据集后，将annotations文件和val2017文件夹解压并上传数据集到源码包路径下。目录结构如下：

   NAS_FPN
   ├── 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mmdetection_coco_preprocess脚本，完成预处理。

   python3 mmdetection_coco_preprocess.py --image_folder_path ./coco/val2017 --bin_folder_path val2017_bin 
   

   • 参数说明：
     • --image_folder_path：原始数据验证集图片所在路径。
     • --bin_folder_path：输出的二进制文件所在路径。

   运行成功后在主目录下得到val2017_bin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。

      NAS_FPN权重文件

   2. 导出onnx文件。

      使用mmdetection/tools中的pytorch2onnx.py导出onnx文件。

      python3 mmdetection/tools/pytorch2onnx.py mmdetection/configs/nas_fpn/retinanet_r50_nasfpn_crop640_50e_coco.py retinanet_r50_nasfpn_crop640_50e_coco-0ad1f644.pth --output-file=nas_fpn.onnx --shape=640
      

      • 参数说明：
        • 第一个参数为配置文件路径。
        • 第二个参数为权重文件路径。
        • --shape：输入数据大小。
        • --output-file：转出的onnx模型路径。

      获得nas_fpn.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 --model=./nas_fpn.onnx \
          --framework=5 \
          --output=nas_fpn_bs1 \
          --input_format=NCHW \
          --input_shape="input:1,3,640,640" \
          --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nas_fpn_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。

      python3 -m ais_bench --model nas_fpn_bs1.om --input val2017_bin --output ./ --output_dirname result
      

      • 参数说明：

        • model：模型路径。
        • input：模型的输入，预处理生成的文件路径。
        • output：模型输出目录。
        • output_dirname：模型的输出子目录。

      推理后的输出默认在当前目录result下。

   3. 精度验证。

      • 运行get_info.py脚本，生成图片数据info文件。

        python get_info.py jpg ./coco/val2017 val2017.info
        

        • 参数说明：
          • 第一个参数为生成的数据集文件格式
          • 第二个参数为原始数据文件相对路径
          • 第三个参数为生成的info文件名

        运行成功后，在当前目录生成val2017.info。

      • 执行后处理脚本，将二进制数据转化为txt文件：

        python mmdetection_coco_postprocess.py \
              --bin_data_path=./result \
              --test_annotation=val2017.info \
              --det_results_path=detection-results
        

        • 参数说明：
          • --bin_data_path: 推理结果所在路径。
          • --test_annotation: 原始图片信息文件。
          • --det_results_path：后处理输出目录。

      • 执行转换脚本，将txt文件转化为json文件：

        python3 txt_to_json.py --npu_txt_path=detection-results --json_output_file=coco_detection_result
        

        • 参数说明：
          • --npu_txt_path: txt文件目录。
          • --json_output_file: 生成的json文件。

      • 调用coco_eval.py脚本，输出精度报告：

        python3 coco_eval.py --ground_truth=coco/annotations/instances_val2017.json --detection_result=coco_detection_result.json
        

        • 参数说明：
          • --ground_truth: coco数据集标准文件。
          • --detection_result: 模型推理结果文件。

   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：

       python3.7 -m ais_bench --model=${om_model_path} --loop=20
      

      • 参数说明：
        • --model：om模型路径。
        • --loop：推理次数。

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	COCO2017	map: 0.404	72.68

仅支持batch size为1