DeeplabV3模型-推理指导
概述
DeeplabV3是一个经典的图像语义分割网络，在v1和v2版本基础上进行改进，多尺度(multiple scales)分割物体，设计了串行和并行的带孔卷积模块，采用多种不同的atrous rates来获取多尺度的内容信息，提出 Atrous Spatial Pyramid Pooling(ASPP)模块, 挖掘不同尺度的卷积特征，以及编码了全局内容信息的图像层特征，提升图像分割效果。
-
参考实现：
url=https://github.com/open-mmlab/mmsegmentation.git branch=master commit_id=fa1554f1aaea9a2c58249b06e1ea48420091464d model_name=DeeplabV3
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 1024 x 2048 NCHW -
输出数据
输出数据 数据类型 大小 数据排布格式 output FLOAT64 batchsize x 1 x 1024 x 2048 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 1.0.17 Pytorch框架推理环境准备 CANN 6.0.RC1 - Python 3.7.5 - 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
-
安装依赖。
pip3 install -r requirements.txt -
获取源码。此处获取指获取第三方开源代码仓的命令
git clone -b master https://github.com/open-mmlab/mmsegmentation.git pip3 install mmcv-full==1.3.7 cd mmsegmentation git reset --hard fa1554f1aaea9a2c58249b06e1ea48420091464d pip3 install -e . cd ..如果安装 mmcv-full 报错 undefined symbol，可以尝试 官方 提供的下载源：
pip3 install mmcv-full==1.3.7 -f https://download.openmmlab.com/mmcv/dist/cpu/torch1.5.0/index.html目录结构如下：
├──mmsegmentation //开源仓目录 ├──deeplabv3_torch_preprocess.py ├──deeplabv3_torch_postprocess.py ├──LICENCE ├──requirements.txt ├──README.md ├──modelzoo_level.txt
准备数据集
-
获取原始数据集。（解压命令参考tar –xvf *.tar与 unzip *.zip）
本模型将使用到Cityscapes 验证集，请用户需自行获取数据集，上传数据集到服务器任意目录并解压,以"./datasets"。目录结构如下：
├──./datasets ├──cityscapes ├──leftImg8bit //预处理需要的数据集 ├──gtFine ├──val ├──munster ├──lindau ├──frankfurt ├──frankfurt_000001_083852_gtFine_polygons.json ├──frankfurt_000001_083852_gtFine_labelTrainIds.png //后处理时需要，请选对数据集 ├──frankfurt_000001_083852_gtFine_labelIds.png ├──frankfurt_000001_083852_gtFine_instanceIds.png ├──frankfurt_000001_083852_gtFine_color.png ├──train ├──test -
数据预处理，将原始数据集转换为模型输入的数据。
执行deeplabv3_torch_preprocess.py脚本，完成预处理。
python3 deeplabv3_torch_preprocess.py ./datasets/cityscapes/leftImg8bit/val/ ./prep_dataset- 参数说明：
- 第一个参数：数据集路径。
- 第二个参数：处理完成的数据集路径。
- 参数说明：
模型推理
-
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。
-
获取权重文件。
从源码包中获取权重文件 deeplabv3_r50-d8_512x1024_40k_cityscapes_20200605_022449-acadc2f8.pth,可放置于任意路径下，以"./"为例。
-
导出onnx文件。
-
使用deeplabv3_r50-d8_512x1024_40k_cityscapes_20200605_022449-acadc2f8.pth权重文件导出onnx文件。
运行mmsegmentation/tools/pytorch2onnx.py脚本。
python3 mmsegmentation/tools/pytorch2onnx.py mmsegmentation/configs/deeplabv3/deeplabv3_r50-d8_512x1024_40k_cityscapes.py --checkpoint ./deeplabv3_r50-d8_512x1024_40k_cityscapes_20200605_022449-acadc2f8.pth --output-file deeplabv3.onnx --shape 1024 2048- 参数说明：
- --checkpoint：权重文件路径
- --output-file：导出的onnx文件路径
- --shape：模型输入shape
获得deeplabv3.onnx文件。
- 参数说明：
-
优化ONNX文件。
python3 -m onnxsim deeplabv3.onnx deeplabv3_sim_bs1.onnx --input-shape="1,3,1024,2048" --dynamic-input-shape- 参数说明：
- 第一个参数：待优化模型
- 第二个参数：优化后模型
- --input-shape：模型输入shape
- --dynamic-input-shape：动态模型输入
获得deeplabv3_sim_bs1.onnx文件。
- 参数说明：
-
-
使用ATC工具将ONNX模型转OM模型。
-
配置环境变量。
source /usr/local/Ascend/ascend-toolkit/set_env.sh -
执行命令查看芯片名称（${chip_name}）。
npu-smi info #该设备芯片名为Ascend310P3 （自行替换） 回显如下： +-------------------+-----------------+------------------------------------------------------+ | NPU Name | Health | Power(W) Temp(C) Hugepages-Usage(page) | | Chip Device | Bus-Id | AICore(%) Memory-Usage(MB) | +===================+=================+======================================================+ | 0 310P3 | OK | 15.8 42 0 / 0 | | 0 0 | 0000:82:00.0 | 0 1074 / 21534 | +===================+=================+======================================================+ | 1 310P3 | OK | 15.4 43 0 / 0 | | 0 1 | 0000:89:00.0 | 0 1070 / 21534 | +===================+=================+======================================================+ -
执行ATC命令。
atc --framework=5 --model=deeplabv3_sim_bs1.onnx --output=deeplabv3_bs1 --input_format=NCHW --input_shape="input:1,3,1024,2048" --log=error --soc_version=Ascend${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deeplabv3_bs1.om模型文件。
-
-
-
-
开始推理验证。
-
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。
-
执行推理。
python3 -m ais_bench --model deeplabv3_bs1.om --input ./prep_dataset --output ./result --output_dirname=bs1 --outfmt BIN --batchsize=1 --device=0- 参数说明：
- --model：模型类型。
- --input：om模型推理输入文件路径。
- --output：om模型推理输出文件路径。
- --output_dirname：
- --outfmt：输出格式
- --batchsize：批大小。
- --device：NPU设备编号。
- 参数说明：
-
推理后的输出默认在当前目录./result/bs1下。
-
精度验证。
调用脚本与数据集的gtFine/val比对，可以获得Accuracy数据，结果在终端和./result.txt中显示。
python3 deeplabv3_torch_postprocess.py --output_path=./result/bs1 --gt_path=./datasets/cityscapes/gtFine/val --result_path=./result- 参数说明：
- --output_path：ais_infer生成推理结果所在路径。
- --gt_path：标签数据路径。
- --result_path：为生成结果文件
- 参数说明：
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 |
|---|---|---|---|---|
| Ascend310P | 1 | Cityscapes | 79.12 | 4.910 |