YOLOF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

YOLOF引入了一种解决该优化问题的替代方案而无需使用复杂的特征金字塔，只需要使用单层特征图。基于这个简单高效的方案，设计了You Only Look One-level Feature（YOLOF）检测框架。在该框架中，有两个核心组件，分别是膨胀编码器（Dilated Encoder）和均衡匹配策略（Uniform Matching），它们带来了巨大的性能提升。COCO数据集上的实验证明了YOLOF的有效性，它获得了和有特征金字塔版本相当的结果但是速度快了2.5倍。此外，在没有Transformer层的前提下，YOLOF可以和同样使用单层特征图的DETR媲美且训练轮次少了7倍。

• 参考实现：

  url=https://github.com/megvii-model/YOLOF
  commit_id=https://github.com/megvii-model/YOLOF
  model_name=YOLOF
  

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 608	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 100 x 4	ND
  output2	FLOAT32	batchsize x 100	ND
  output3	INT64	batchsize x 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	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。

   git clone -b main https://github.com/megvii-model/YOLOF.git
   cd YOLOF
   git reset --hard 6189487b80601dfeda89302c22abac060f977785
   patch -p1 < ../YOLOF.patch
   cd ..
   

2. 安装依赖。

   pip 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coco2017验证集。用户需自行获取数据集，将annotations文件和val2017文件夹解压并上传数据集到源码包路径下的dataset文件夹下。目录结构如下：

   YOLOF
   └── 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YOLOF_preprocess.py脚本，完成预处理。

   python3 YOLOF_preprocess.py --image_src_path=YOLOF/dataset/coco/val2017/ --bin_file_path=./val2017_bin --meta_file_path=./val2017_bin_meta
   

   • 参数说明：

     • --image_src_path：数据集目录
     • --bin_file_path：预处理数据保存目录
     • --meta_file_path：meta数据保存地址

   执行gen_dataset_info.py脚本。获取数据信息

   python gen_dataset_info.py --meta_file_path=val2017_bin_meta/ --meta_info_file_name yolof_meta.info
   

   • 参数说明：

     • --meta_file_path：meta数据目录
     • --meta_info_file_name：提取数据信息

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/YOLOF/PTH/YOLOF_CSP_D_53_DC5_9x.pth
   

   2. 导出onnx文件。

      1. 使用YOLOF_pth2onnx.py导出onnx文件。

         运行YOLOF_pth2onnx.py脚本。

         python YOLOF_pth2onnx.py \
                --model_config=YOLOF/playground/detection/coco/yolof/yolof.cspdarknet53.DC5.9x \
                --out=yolof_bs${bs}.onnx \
                --pth_path=./YOLOF_CSP_D_53_DC5_9x.pth
                --batch_size=${bs}
         

         • 参数说明：

           • --model_config：模型配置文件。
           • --framework：5代表ONNX模型。
           • --out：输出的Onnx模型。
           • --pth_path：模型权重文件
           • --batch_size：bs大小 获得yolof_bs${bs}.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=yolof_bs${bs}.onnx --output=yolof_bs${bs} --input_shape="input:${bs},3,608,608" --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yolof_bs${bs}.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。

      python -m ais_bench --model=yolof_bs${bs}.om --input=./val2017_bin --output=./ --output_dirname=./result --batchsize=${batch_size}     
      

      • 参数说明：

        • model：om模型地址
        • input：预处理数据
        • output：推理结果保存路径
        • output_dirname:推理结果保存子目录

      推理后的输出默认在当前目录result下。

   3. 精度验证。

      调用脚本YOLOF_postprocess.py计算推理精度

       python YOLOF_postprocess.py --pth_path YOLOF_CSP_D_53_DC5_9x.pth --bin_data_path result --meta_info_path yolof_meta.info 
      

      • 参数说明：

        • pth_path：模型权重文件

        • bin_data_path：推理结果保存路径

        • meta_info_path：数据信息info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：

       python -m ais_bench --model=yolof_bs${bs}.om --loop=20 --batchsize=${batch_size}
      

      • 参数说明：
        • --model：om模型路径
        • --batchsize：batchsize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	mAP:42.8%	74
300I Pro	4	coco2017		125
300I Pro	8	coco2017		125
300I Pro	16	coco2017		126
300I Pro	32	coco2017		124
300I Pro	64	coco2017		116