Maskrcnn-mmdet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

Maskrcnn是经典的示例分割网络，本模型代码基于mmdetection仓中的maskrcnn修改。

• 参考实现：

  url=https://github.com/open-mmlab/mmdetection.git
  commit_id=
  code_path=https://github.com/open-mmlab/mmdetection/tree/master/configs/mask_rcnn
  model_name=MaskRCNN
  

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 1216 x 1216	NCHW

• 输出数据

  输出数据	数据类型	大小	数据排布格式
  output1	FLOAT32	100 x 5	ND
  output2	INT32	100	ND
  output3	FLOAT32	100 x 80 X 28 X 28	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	1.0.20.alpha	Pytorch框架推理环境准备
  CANN	7.0.RC1	-
  Python	3.7.5	-
  PyTorch	1.10.1	-
  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 v2.8.0 https://github.com/open-mmlab/mmdetection.git
   

2. 安装依赖。

   pip3 install -r requirements.txt
   cd mmdetection/
   git apply ../mmdet_maskrcnn.patch
   pip3 install -v -e .
   cd ..
   

准备数据集

1. 获取原始数据集。

   本模型支持coco2017验证集。用户需自行获取数据集，建立data目录，将coco_val2017数据集放在该目录下。目录结构如下：

   coco/
   ├── annotations    //验证集标注信息       
   └── val2017        // 验证集文件夹
   

2. 数据预处理，将原始数据集转换为模型输入的数据。

   执行mmdet_preprocess脚本，完成预处理。

   python3 mmdet_preprocess.py \
      --image_src_path=data/coco/val2017 \
      --bin_file_path=val2017_bin \
      --model_input_height=1216 \
      --model_input_width=1216
   

   • 参数说明：

       -   --image_src_path：数据原路径。
       -   --bin_file_path：数据保存路径。
       -   --model_input_height：输入图像高。
       -   --model_input_width：输入图像宽。  
     

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。

      下载权重文件，链接如下，将权重文件放到mmdetection-2.8.0目录下： https://download.openmmlab.com/mmdetection/v2.0/mask_rcnn/mask_rcnn_r50_fpn_1x_coco/mask_rcnn_r50_fpn_1x_coco_20200205-d4b0c5d6.pth

      命令为

      wget https://download.openmmlab.com/mmdetection/v2.0/mask_rcnn/mask_rcnn_r50_fpn_1x_coco/mask_rcnn_r50_fpn_1x_coco_20200205-d4b0c5d6.pth
      

   2. 导出onnx文件。

      1. 导出onnx

         python3 mmdetection/tools/pytorch2onnx.py \
             mmdetection/configs/mask_rcnn/mask_rcnn_r50_fpn_1x_coco.py \
             ./mask_rcnn_r50_fpn_1x_coco_20200205-d4b0c5d6.pth \
             --output-file ./maskrcnn_r50_fpn_1x_bs1.onnx \
             --shape 1216 1216
         

      2. 修改onnx模型，将label输出int64改为int32。

         命令：

         python3 label_to_int32.py maskrcnn_r50_fpn_1x_bs1.onnx maskrcnn_r50_fpn_1x_md_bs1.onnx
         

         第一个参数为输入onnx，第二个参数为保存的onnx，获得maskrcnn_r50_fpn_1x_md_bs1.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 \
             --model=maskrcnn_r50_fpn_1x_md_bs1.onnx \
             --framework=5 \
             --output=maskrcnn_r50_fpn_1x \
             --input_format=NCHW \
             --input_shape="input:1,3,1216,1216" \
             --log=error \
             --soc_version=Ascend${chilp_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

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。

       python3 -m ais_bench --model=./maskrcnn_r50_fpn_1x.om --input=./val2017_bin --output=./ --batchsize=1
      

      推理后的输出默认在当前目录下。

   3. 精度验证。 推理结束后执行后处理脚本，会输出bbox map和segm map

       python3 get_info.py jpg data/coco/val2017/ val2017_jpg.info
       python3.7 mmdet_postprocess.py \
           --bin_data_path=2022_12_20-14_15_48 \
           --test_annotation=val2017_jpg.info \
           --det_results_path=det_result \
           --net_out_num=3 \
           --net_input_height=1216 \
           --net_input_width=1216 \
           --ifShowDetObj \
           --val2017_json_path=./data/coco/annotations/instances_val2017.json
      
      

      • 参数说明：
        • bin_data_path：为生成推理结果所在路径
        • test_annotation：图片标签信息
        • det_results_path：检测结果路径
        • net_out_num：模型输出结果个数
        • net_input_height：模型输入图像高
        • net_input_width：模型输入图像宽
        • ifShowDetObj：在图片上画出后处理结果
        • val2017_json_path：数据集标签文件信息

   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：

       python3 -m ais_bench --model=./maskrcnn_r50_fpn_1x.om --loop=20 --batchsize=1
      

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	基准精度	基准性能	精度	性能
300I Pro	1	coco	bbox map50: 0.588; segm map50: 0.557	4.612 fps	bbox map50: 0.59; segm map50: 0.554	11.3 fps