PSENet_ResNet50_vd模型-推理指导

• 概述

  • 输入输出数据

• 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

PSENet(Shape Robust Text Detection with Progressive Scale Expansion Network)是一种新颖的渐进式扩展网络，它可以精确地检测具有任意形状的文本实例。进一步来说，PSENet 为每个文本实例生成不同尺度的内核，并逐渐将最小尺度内核扩展到具有完整形状的文本实例。由于最小尺度内核之间存在较大的几何边距，该方法可以有效地分割紧密的文本实例，从而更容易使用基于分割的方法来检测任意形状的文本实例。

• 参考实现：

  url=https://github.com/PaddlePaddle/PaddleOCR.git
  branch=release/2.5
  commit_id=a40f64a70b8d290b74557a41d869c0f9ce4959d5
  model_name=PSENet_ResNet50_vd
  

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 1312	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 328	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	-
paddlepaddle	2.3.2	仅支持x86环境安装
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. 获取本仓源码

   git clone https://gitcode.com/ascend/ModelZoo-PyTorch.git
   cd ModelZoo-PyTorch/ACL_PyTorch/contrib/cv/detection/PSENet_ResNet50_vd
   

2. 获取源码。

   git clone -b release/2.5 https://github.com/PaddlePaddle/PaddleOCR.git
   cd PaddleOCR 
   git reset --hard a40f64a70b8d290b74557a41d869c0f9ce4959d5
   git apply ../PSENet_ResNet50_vd.patch
   cd ..
   

3. 安装依赖。

   pip3 install -r requirements.txt
   cd PaddleOCR
   python3 setup.py install
   export PYTHONPATH=$(echo $(pwd)):$PYTHONPATH
   cd ..
   

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）

   ICDAR 2015 数据集包含1000张训练图像和500张测试图像。参考PaddleOCR数据集数据处理方式，ICDAR 2015 数据集可以点击链接进行下载，本模型需下载Test Set Images(43.3MB)。

   将数据集ch4_test_images.zip放在工作目录下，通过以下命令创建train_data/icdar2015/ch4_test_images路径，并通过以下命令进行解压保存并获取标签文件。

   mkdir -p ./train_data/icdar2015/ch4_test_images/
   unzip -d ch4_test_images.zip ./train_data/icdar2015/ch4_test_images/ 
   wget -P ./train_data/icdar2015/ https://paddleocr.bj.bcebos.com/dataset/test_icdar2015_label.txt
   

2. 数据预处理。

   数据预处理将原始数据集转换为模型输入的数据。

   在PSENet_ResNet50_vd工作目录下，执行PSENet_ResNet50_vd_preprocess.py脚本，完成预处理。

    python3 PSENet_ResNet50_vd_preprocess.py \
        -c PaddleOCR/configs/det/det_r50_vd_pse.yml \
        -o data_dir=./train_data/icdar2015/ bin_dir=./data_bin info_dir=./data_info
   

   • 参数说明：

     • -c：模型配置文件。
     • -o：配置参数，其中data_dir表示数据集路径，bin_dir表示二进制数据保存路径，data_info数据信息保存路径。

   运行后在当前目录下的data_bin路径中保存生成的二进制数据，data_info路径中保存数据信息。

模型推理

1. 模型转换。

   使用paddle2onnx将模型权重文件转换为.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。

训练权重链接为：

  在`PSENet_ResNet50_vd`工作目录下可通过以下命令获取训练权重并转为推理模型。
  ```
  wget -nc -P ./checkpoint https://paddleocr.bj.bcebos.com/dygraph_v2.1/en_det/det_r50_vd_pse_v2.0_train.tar
  cd ./checkpoint && tar xf det_r50_vd_pse_v2.0_train.tar && cd ..
  python3 PaddleOCR/tools/export_model.py \
       -c PaddleOCR/configs/det/det_r50_vd_pse.yml \
       -o Global.pretrained_model=./checkpoint/det_r50_vd_pse_v2.0_train/best_accuracy  \
       Global.save_inference_dir=./inference/det_pse
  ```
  
  - 参数说明：

     -  -c：模型配置文件。
     -  -o: 模型入参信息。
     -  Global.pretrained_model：权重文件保存路径。
     -  Global.save_inference_dir：paddleocr推理模型保存路径。

2. 导出onnx文件。

   1. 使用paddle2onnx工具导出onnx文件。

      运行paddle2onnx工具获取onnx模型。

      paddle2onnx \
          --model_dir ./inference/det_pse \
          --model_filename inference.pdmodel \
          --params_filename inference.pdiparams \
          --save_file ./PSENet_ResNet50_vd_dybs.onnx \
          --opset_version 11 \
          --enable_onnx_checker True \
          --input_shape_dict="{'x':[-1,3,736,1312]}"
      

      参数说明请通过paddle2onnx -h命令查看。 运行后获得PSENet_ResNet50_vd_dybs.onnx文件。

   2. 优化onnx模型。 请访问auto-optimizer优化工具代码仓，根据readme文档进行benchmark和surgeon工具安装。

      运行modify_onnx.py脚本优化onnx模型，优化点为：Resize算子按Paddle定义参数导出的onnx模型有精度问题，因此将按PyTorch定义重新构造Resize参数。

      python3 modify_onnx.py PSENet_ResNet50_vd_dybs.onnx PSENet_ResNet50_vd_md_dybs.onnx
      

      参数说明:第一个为输入onnx，第二个为输出onnx。

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
      

      说明： 该脚本中环境变量仅供参考，请以实际安装环境配置环境变量。详细介绍请参见《CANN 开发辅助工具指南 (推理)》。

   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=./PSENet_ResNet50_vd_sim_md_dybs.onnx \
          --output=./PSENet_ResNet50_vd_bs${bs} \
          --input_format=NCHW \
          --input_shape="x:${bs},3,736,1312" \
          --log=error \
          --soc_version=Ascend${chip_name} \
          --insert_op_conf=PSENet_ResNet50_vd_aipp.cfg
      

      • 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。

        ${bs}表示om模型可支持不同batch推理，可取值为：1，4，8，16，32，64。

        运行成功后生成PSENet_ResNet50_vd_bs${bs}.om模型文件。

4. 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=./PSENet_ResNet50_vd_bs${bs}.om \
          --input=./data_bin \
          --output=./ \
          --output_dirname=output
      

      • 参数说明：

        • --model：om模型路径。
        • --input：bin文件路径。
        • --output：推理结果保存路径。
        • --output_dirname：推理结果保存路径子目录。

      推理完成后在当前目录生成output文件夹。

   3. 精度验证。

      执行后处理脚本PSENet_ResNet50_vd_postprocess.py，参考命令如下：

      python3 PSENet_ResNet50_vd_postprocess.py \
        -c PaddleOCR/configs/det/det_r50_vd_pse.yml \
        -o info_dir=./data_info res_dir=./output
      

      • 参数说明：

        • -c：模型配置文件。
        • -o：可选参数，info_dir表示数据信息路径；res_dir表示推理结果路径。

      推理结果通过屏显显示。

   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=./PSENet_ResNet50_vd_bs${bs}.om --loop=50
      

      • 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	ICDAR 2015	precision: 0.8572	51.138
300I Pro	4	ICDAR 2015	precision: 0.8572	47.276
300I Pro	8	ICDAR 2015	precision: 0.8572	47.675
300I Pro	16	ICDAR 2015	precision: 0.8572	48.256
300I Pro	32	ICDAR 2015	precision: 0.8572	48.538
300I Pro	64	ICDAR 2015	precision: 0.8572	38.610