SSD-ResNet34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

SSD模型是用于图像检测的模型，通过基于Resnet34残差卷积网络(基础网络)，并向网络添加辅助结构，产生具有多尺度特征图的预测。在多个尺度的特征图中使用不同的默认框形状，可以有效地离散地输出不同大小的框，面对不同的目标可以有效地检测到，并且还可以对目标进行识别。

• 参考实现：

  url=https://github.com/mlcommons/training_results_v0.7
  commit_id=elc4b963b6a4ee8fbd40fc5cd9edb9789a2982de
  code_path=contrib/cv/detection/SSD-Resnet34
  model_name=ssd
  

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 300 x 300	NCHW

• 输出数据

  输出数据	数据类型	大小	数据排布格式
  ploc	FLOAT32	Batchsize x 4 x 8732	ND
  plabel	FLOAT32	Batchsize x 81 x 8732	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	-

快速上手

获取源码

1. 获取源码。

   git clone https://github.com/mlcommons/training_results_v0.7.git
   cd training_results_v0.7/NVIDIA/benchmarks/ssd/implementations/pytorch/ 
   patch -p1 <../../../../../../ssd.patch       # 通过补丁修改仓库代码
   mv * ../../../../../../../SSD-Resnet34/      # 移动到模型所在路径      
   

2. 安装依赖。

   pip3 install -r requirements.txt
   git clone https://github.com/mlperf/logging.git mlperf-logging
   pip3 install -e mlperf-logging
   

准备数据集

1. 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。本模型将使用到coco2017数据集中的验证集及其标签文件instances_val2017.json, bbox_only_instances_val2017.json，标签文件bbox_only_instances_val2017.json是将coco2017中的原标签文件instances_val2017.json经过处理所得。 最终，数据的目录结构如下：

   ├── coco
       ├── val2017   
       ├── annotations
            ├──instances_val2017.json
            ├──bbox_only_instances_val2017.json
   
   

2. 数据预处理，将原始数据集转换为模型输入的数据。 执行prepare-json.py脚本（该脚本在开源仓https://github.com/mlcommons/training_results_v0.7.git training_results_v0.7/NVIDIA/benchmarks/ssd/implementations/pytorch/路径下获取 ），得到bbox_only_instances_val2017.json文件

   python3 prepare-json.py --keep-keys ${data_path}/coco/annotations/instances_val2017.json ${data_path}/coco/annotations/bbox_only_instances_val2017.json
   

   执行ssd_preprocess.py脚本，完成预处理。

   python3 ssd_preprocess.py --val_annotation=./coco/annotations/bbox_only_instances_val2017.json --data_root=./coco/val2017/ --save_path=./ssd_bin
   

   • 参数说明：
     • --data：数据集路径。
     • --bin-output：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。

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。

      iter_183250.pt 和 resnet34-333f7ec4.pth

   2. 导出onnx文件。

      1. 使用ssd_pth2onnx.py导出onnx文件。

      使用“resnet34-333f7ec4.pth”和“iter_183250.pt”导出onnx文件。 运行“ssd_pth2onnx.py”脚本。

      python3 ssd_pth2onnx.py --bs=1 --resnet34-model=./models/resnet34-333f7ec4.pth --pth-path=./models/iter_183250.pt --onnx-path=./ssd.onnx
      

      • 参数说明：
        • --resnet34-model : resnet34 骨干网络权重路径
        • --pth-path: SSD-ResNet34 权重路径
        • --onnx-path: onnx文件路径

      获得ssd.onnx文件（默认为动态导出）。

   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=./ssd.onnx\ 
                 --output=./ssd_bs1\ 
                 --input_format=NCHW\ 
                 --input_shape="image:1,3,300,300"\ 
                 --log=error\
                 --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。

      运行成功后生成ssd_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 ${om_path}/ssd_bs1.om\  
                                 --input /path/to/ssd_bin/\ 
                                 --output ./\ 
                                 --output_dirname result \
                                 --batchsize ${n}\
                                 --outfmt BIN
   

   • 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

     • --output_dirname：存放推理结果的目录文件名

     • --batchsize：每次输入模型的样本数

     • --outfmt: 推理结果数据的格式

       推理后的输出保存在当前目录result下。

   3. 精度验证。

      调用“ssd_postprocess.py”评测模型的精度。

   python3 ssd_postprocess.py --val_annotation=./coco/annotations/bbox_only_instances_val2017.json --bin_path=${output_path}
   

   • 参数说明：

     • --val_annotation：生成推理结果所在路径。
     • --bin_path：推理结果保存路径

   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_path}/ssd_bs1.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。

1. 精度对比

   Model	batchsize	Accuracy
   ssd_resnet34	1	map = 23%
   ssd_resnet34	16	map = 23%

2. 性能对比

   batchsize	300I PRO 性能
   1	908.2
   4	1216.2
   8	1324.3
   16	1307.1
   32	1321.5
   64	1273.1

公网地址说明

代码涉及公网地址参考 public_address_statement.md