3D_HRNet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

High-Resoultion Net(HRNet) 由微软亚洲研究院和中科大提出，发表在CVPR2019。HRNet的网络在CV领域，越来越得到关注，因为很多用HRNet作为骨架网络的方案在目标检测、分类、分割、人体姿态估计等领域均取得瞩目的成绩。本仓为HRNet应用于分割的样例。

• 参考实现：

  url=https://github.com/HRNet/HRNet-Semantic-Segmentation.git
  branch=master
  commit_id=0bbb2880446ddff2d78f8dd7e8c4c610151d5a51
  

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
  image	FLOAT32	batchsize x 3 x 1024 x 2048	NCHW

• 输出数据

  输出数据	大小	数据类型	数据排布格式
  output1	batch_size x 19 x 256 x 512	FLOAT32	NCHW
  output2	batch_size x 19 x 256 x 512	FLOAT32	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	1.0.17	Pytorch框架推理环境准备
CANN	6.0.RC1	-
Python	3.7.5	-
PyTorch	1.5.0+	-
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://gitcode.com/ascend/ModelZoo-PyTorch.git        # 克隆仓库的代码
   git checkout master         # 切换到对应分支
   cd ACL_PyTorch/contrib/cv/segmentation/3D_HRNet              # 切换到模型的代码仓目录
   

2. 安装依赖。

   pip3 install -r requirements.txt
   # 改图依赖
   git clone https://gitee.com/Ronnie_zheng/MagicONNX.git MagicONNX
   cd MagicONNX && git checkout dev
   pip3 install . && cd ..
   

3. 获取开源代码仓。 在已下载的源码包根目录下，执行如下命令。

   git clone https://github.com/HRNet/HRNet-Semantic-Segmentation.git
   cd HRNet-Semantic-Segmentation
   git reset 0bbb2880446ddff2d78f8dd7e8c4c610151d5a51 --hard
   patch -p1 < ../HRNet.patch
   cd ..
   

准备数据集

1. 获取原始数据集。

   本模型采用cityscpaes数据集，解压到 ./data （如没有则需要手动创建）。

   数据目录结构请参考：

   data
   |-- cityscapes
      |-- gtFine
      |    |-- test
      |    |-- train
      |    |-- val
      |-- leftImg8bit
           |-- test
           |-- train
           |-- val
   

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。

   执行预处理脚本，生成数据集预处理后的bin文件:

   mkdir prep_dataset
   python3 HRNet_preprocess.py --src_path=./data --save_path=./prep_dataset
   

   • 参数说明：

     --src_path: 数据集文件位置。

     --save_path：输出文件位置。

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。

      下载pth模型到推理目录下（提取码: e5ci）。

   2. 导出onnx文件。

      1. 使用脚本导出onnx文件。

         运行HRNet_pth2onnx.py脚本。

         # pth转换为ONNX
         python3 HRNet_pth2onnx.py --pth hrnet.pth --save_path hrnet.onnx
         

         • 参数说明：

           --pth: 模型权重路径。

           --save_path：导出onnx文件路径。

         获得hrnet.onnx文件。

   3. 优化onnx。

      运行performance_optimize_resize.py脚本优化：

      python3 performance_optimize_resize.py hrnet.onnx hrnet.onnx
      

   4. 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。

         # 以bs1为例
         atc --framework=5 --model=hrnet.onnx --output=hrnet_bs1 --input_format=NCHW --input_shape="image:1,3,1024,2048" --log=debug --soc_version=Ascend${chip_name} --out_nodes="Conv_1380:0;Conv_1453:0"
         

         • 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。

           运行成功后生成模型文件hrnet_bs1.om。

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。

      # 以bs1为例
      mkdir -p results/bs1
      python3 -m ais_bench --model hrnet_bs1.om --input ./prep_dataset/ --output ./results --output_dirname bs1 --batchsize 1
      

      • 参数说明：

        • --model：om文件路径。
        • --input：输入文件。
        • --output：输出目录。
        • --output_dirname：保存目录名。
        • --device：NPU设备编号。
        • --batchsize：推理模型对应的batchsize。

      推理后的输出默认在当前目录outputs/bs1下。

   3. 精度验证。

   调用HRNet_postprocess.py脚本与数据集标签比对，获得Accuracy数据。

   python3 HRNet_postprocess.py --res_path results/bs1 --data_path data/cityscapes/gtFine/val/ --save_path ./result_bs1.json
   

   • 参数说明：

    --res_path：推理结果所在路径。
    --data_path：数据集所在路径。
    --save_path：最后结果保存路径。
   

模型推理性能&精度

精度参考下列数据:

说明：内存限制该模型支持bs1/bs4

3D HRNet模型	gpu吞吐率	300I PRO吞吐率	目标精度	300I PRO精度
bs1	5.85fps	9.55fps	81.6%	80.83%
bs4	5.75fps	8.07fps	81.6%	80.83%