FastSCNN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

FastSCNN：快速分割卷积神经网络（Fast-SCNN），一种基于高分辨率图像数据（1024x2048px）的实时语义分割模型，适合在低内存嵌入式设备上高效计算。

• 参考实现：

  url=https://github.com/LikeLy-Journey/SegmenTron
  branch=master 
  commit_id=4bc605eedde7d680314f63d329277b73f83b1c5f
  

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 * 3 *1024 * 2048	NCHW

• 输出数据

  输出数据	数据类型	大小	数据排布格式
  output1	RGB_FP16	batchsize * 19 * 1024 * 2048	NCHW

推理环境准备

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	1.9.0	-

快速上手

获取源码

1. 获取源码。

   git clone https://github.com/LikeLy-Journey/SegmenTron        # 克隆仓库的代码
   

2. 由于onnx不支持AdaptiveAvgPool算子，需要使用module.patch修改module.py。 将FastSCNN目录下的module.patch放到FastSCNN/SegmenTron目录下，执行：

   cp module.patch ./SegmenTron
   cd ./SegmenTron
   git apply module.patch
   cd ..
   

3. 安装依赖。

   pip install -r requirements.txt
   

准备数据集

1. 获取原始数据集。

   本模型支持cityscapes leftImg8bit的500张验证集。用户需要自行获取leftImg8bit_trainvaltest.zip和gtFine_trainvaltest.zip数据集，解压，将两个文件夹放在/npu/opt/datasets/cityscapes/目录下。目录结构如下：

   ├──datasets
        ├──cityscapes
            ├──gtFine                   //验证集标注信息
                ├──test
                ├──train
                └──val
            ├──leftImg8bit              // 验证集文件夹
                ├──test
                ├──train
                └──val        
   

2. 数据预处理

   将原始数据集转换为模型输入的数据。

   python Fast_SCNN_preprocess.py --datasets_input_path /npu/opt/datasets/cityscapes --datasets_output_path ./prep_datasets
   

   • 参数说明：
     • --datasets_input_path：数据集的路径，必须写绝对路径。
     • --datasets_output_path：预处理结果的路径。

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。

      − 该推理项目使用权重文件fast_scnn_segmentron.pth

   2. 导出onnx文件。

      1. 使用fast_scnn_segmentron.pth导出onnx文件，获得fast_scnn.onnx文件。

         运行Fast_SCNN_pth2onnx.py脚本。

         python Fast_SCNN_pth2onnx.py --pth_path fast_scnn_segmentron.pth --onnx_name fast_scnn
         

      • 参数说明：
        • --pth_path：pth文件所在的路径。
        • --onnx_name：生成的onnx文件名。

   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
         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=fast_scnn.onnx --output=fast_scnn_$｛bs｝ --input_format=NCHW --input_shape="image:$｛bs｝,3,1024,2048" --log=debug --soc_version=Ascend${chip_name} 
         

         • 参数说明：

           • --model：ONNX模型文件。
           • --framework：5代表ONNX模型。
           • --output：输出的OM模型。
           • --input_format：输入数据的排布格式。
           • --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fast_scnn_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。

      推理支持batchsize1/2/4/8

       python3 -m ais_bench  --model ./fast_scnn_bs1.om --input ./prep_datasets/leftImg8bit/ --output ./result --output_dirname bs1 --outfmt BIN --batchsize 1
      

      • 参数说明：

        • --model：需要进行推理的om模型。
        • --input：模型需要的输入，支持bin文件和目录，若不加该参数，会自动生成都为0的数据，这里输入的是经过预处理目录下的bin文件。
        • --output：推理结果输出路径。默认会建立日期+时间的子文件夹保存输出结果，如果指定output_dirname，将保存到output_dirname的子文件夹下。
        • --output_dirname 推理结果保存的文件夹，和上个参数配合使用，推理文件保存在./output/output_dirname文件夹下。
        • --outfmt：输出数据的格式，默认”BIN“，可取值“NPY”、“BIN”、“TXT”。
        • --batchsize：om模型的batch_size。

      推理后的输出默认在当前目录result下。

   3. 精度验证。

      调用Fast_SCNN_postprocess.py脚本与数据集标签prep_datasets/gitFine/比对，可以获得Accuracy数据，精度验证时间耗时较长请耐心等待，由于FastSCNN对输入模型的数据的顺序敏感，不同的验证顺序会产生不同的结果，所以使用log文件确定了输入数据的顺序。

       python Fast_SCNN_postprocess.py --result_bin_root  ./result/bs1/ --label_bin_root ./prep_datasets/gtFine/  --sort_log ./sort.log
      

      • 参数说明：
        • --result_bin_root：生成推理结果所在路径。
        • --label_bin_root：标签数据所在路径。
        • --sort_log：验证集数据文件名列表。

模型推理性能&精度

1. 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	性能
   300I PRO	1	cityscapes	39.1736
   300I PRO	4	cityscapes	32.7321
   300I PRO	8	cityscapes	37.6047

2. 精度如下。

   芯片型号	Batch Size	数据集	AvgmIou	AvgpixAcc
   300I PRO	1	cityscapes	68.6666	95.3526
   300I PRO	8	cityscapes	68.6666	95.3526