en_PP-OCRv3_det模型-推理指导

• 概述

• 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

概述

en_PP-OCRv3_det是基于[PP-OCRv3]的英文文本检测模型，PP-OCRv3检测模型对PP-OCRv2中的CML协同互学习文本检测蒸馏策略进行了升级，分别针对教师模型和学生模型进行进一步效果优化。其中，在对教师模型优化时，提出了大感受野的PAN结构LK-PAN和引入了DML蒸馏策略；在对学生模型优化时，提出了残差注意力机制的FPN结构RSE-FPN。

• 参考实现：

  url=https://github.com/PaddlePaddle/PaddleOCR.git
  branch=release/2.6
  commit_id=274c216c6771a94807a34fb94377a1d7d674a69f
  model_name=en_PP-OCRv3_det
  

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 imgH x imgW	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 1 x imgH x imgW	NCHW

推理环境准备[所有版本]

• 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	-
PaddlePaddle	2.3.2	仅支持x86服务器安装
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. 获取源码。

   git clone -b release/2.6 https://github.com/PaddlePaddle/PaddleOCR.git
   cd PaddleOCR 
   git reset --hard 274c216c6771a94807a34fb94377a1d7d674a69f
   git apply ../en_PP-OCRv3_det.patch
   cd ..
   

2. 安装依赖。

   pip3 install -r requirements.txt
   cd PaddleOCR
   python3 setup.py install
   cd ..
   

   paddlepaddle模块暂不支持arm64架构

准备数据集

1. 获取原始数据集。

   精度测试数据集使用PaddleOCR提供的英文测试样例集，该样例集的目录为en_PP-OCRv3_det/PaddleOCR/doc/imgs_en/，包括9张图片样本，由于模型不支持样例集中的：img_12.jpg、model_prod_flow_en.png、wandb_models.png三个样本，在线推理时可能会报segmentation fault错误，因此需要将其从样例集中删除，在en_PP-OCRv3_det工作目录下执行如下命令：

    cp -r ./PaddleOCR/doc/imgs_en/ ./
    rm -rf ./imgs_en/img_12.jpg ./imgs_en/model_prod_flow_en.png ./imgs_en/wandb_models.png
   

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en_PP-OCRv3_det工作目录下，执行en_PP-OCRv3_det_preprocess.py脚本，完成预处理。

    python3 en_PP-OCRv3_det_preprocess.py \
        -c PaddleOCR/configs/det/ch_PP-OCRv3/ch_PP-OCRv3_det_cml.yml \
        -o Global.infer_img=./imgs_en/
   

   • 参数说明：

     • -c：模型配置文件。
     • -o：可选参数列表: Global.infer_img表示图片路径。

   运行后在当前目录下的pre_data路径中保存生成的二进制数据。

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。

训练模型链接为：

推理模型链接为：

   在`en_PP-OCRv3_det`工作目录下可通过以下命令获取训练模型和推理模型。
   ```
   wget -nc -P ./checkpoint https://paddleocr.bj.bcebos.com/PP-OCRv3/english/en_PP-OCRv3_det_distill_train.tar
   cd ./checkpoint && tar xf en_PP-OCRv3_det_distill_train.tar && cd ..

   wget -nc -P ./inference https://paddleocr.bj.bcebos.com/PP-OCRv3/english/en_PP-OCRv3_det_infer.tar
   cd ./inference && tar xf en_PP-OCRv3_det_infer.tar && cd ..
   ```

2. 导出onnx文件。

   1. 使用paddle2onnx工具导出onnx文件。

      在en_PP-OCRv3_det工作目录下通过运行以下命令获取onnx模型。

      paddle2onnx \
          --model_dir ./inference/en_PP-OCRv3_det_infer \
          --model_filename inference.pdmodel \
          --params_filename inference.pdiparams \
          --save_file ./en_PP-OCRv3_det.onnx \
          --opset_version 11 \
          --enable_onnx_checker True \
          --input_shape_dict="{'x':[-1,3,-1,-1]}"
      

      参数说明请通过paddle2onnx -h命令查看。 运行后在en_PP-OCRv3_det目录下获得en_PP-OCRv3_det.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
      

      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=./en_PP-OCRv3_det.onnx \
          --output=./en_PP-OCRv3_det_bs1 \
          --input_format=ND \
          --input_shape="x:1,3,-1,-1" \
          --soc_version=Ascend${chip_name} \
          --log=error \
          --dynamic_dims="736,992;736,1312;736,1984;992,736"
      

      • 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。
        • --dynamic_dims：设置输入图片的动态分辨率参数。适用于执行推理时，每次处理图片宽和高不固定的场景。

4. 开始推理验证。

   a. 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。

   b. 执行推理。 在当前目录下运行以下指令

   python -m ais_bench --model=en_PP-OCRv3_det_bs1.om --input=pre_data --output=./ --output_dirname=results_bs1 --auto_set_dymdims_mode=1 --outfmt=NPY
   

   • 参数说明：
     • --model：om模型路径。
     • --inputs：输入数据集路径。
     • --batchsize：om模型输入的batchsize。
     • --auto_set_dymdims_mode：设置自动匹配动态shape
     • --outfmt：输出数据格式

   推理结果保存在当前目录的results_bs1文件夹下

   c. 精度验证。

   执行后处理脚本en_PP-OCRv3_det_postprocess.py，参考命令如下：

   python3 en_PP-OCRv3_det_postprocess.py \
       -c PaddleOCR/configs/det/ch_PP-OCRv3/ch_PP-OCRv3_det_cml.yml \
       -o Global.infer_img="./imgs_en/" Global.infer_results=results_bs1
   

   • 参数说明：

     • -c：模型配置文件。
     • -o：可选参数：Global.infer_img表示样本图片路径，Global.infer_results表示om推理结果路径。

   results_bs1为推理结果的保存路径，命令执行完成后，每个推理结果对应的检测图片保存在results_bs1/det_results/目录下：

   在线推理命令如下：

   python3 PaddleOCR/tools/infer_det.py \
       -c PaddleOCR/configs/det/ch_PP-OCRv3/ch_PP-OCRv3_det_cml.yml \
       -o Global.infer_img="./imgs_en/" \
       Global.pretrained_model="./checkpoint/en_PP-OCRv3_det_distill_train/best_accuracy"
   

   执行完成后在线推理结果保存在en_PP-OCRv3_det/checkpoints/det_db/det_results_Student/目录下。

   可将om后处理推理结果与在线推理结果进行比对，来验证om的推理精度。

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	样例图片	与在线推理结果一致	168 fps