PSPNet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

参考论文Pyramid Scene Parsing Network，使用PPM(pyramid pooling module)和提出的PSPNet(pyramid scene parsing network)，实现了通过融合different-region-based context获取全局context信息的能力。同时，PSPNet在多个数据集上实现了SOTA，取得ImageNet scene parsing challenge 2016、PASCAL VOC 2012 benchmark和Cityscapes benchmark的第1名。

• 参考实现：

  url=https://github.com/open-mmlab/mmsegmentation.git
  commit_id=cdd58964b04961fff8abd4f20de1a653c5f6f51c
  code_path=mmsegmentation/mmseg/models/decode_heads/psp_head.py
  model_name=PSPNet
  

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 500x 500	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 500 x 500	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	-
  PyTorch	1.8.0	-
  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://github.com/open-mmlab/mmsegmentation.git
   cd mmsegmentation/
   git reset --hard cdd58964b04961fff8abd4f20de1a653c5f6f51c
   git apply ../PSPNet.patch
   cd ..
   

2. 安装依赖。

   pip3 install -r requirements.txt
   cd mmsegmentation
   pip3 install -e .
   cd ..
   

准备数据集

1. 获取原始数据集。

   该模型使用VOC2012官网的VOC2012的1449张验证集进行测试，目录结构如下：

   VOCdevkit/VOC2012/
   ├── JPEGImages          // 测试图片文件夹  
   ├── ImageSets           // 数据集信息文件夹
   └── SegmentationClass   // Ground Truth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pspnet_preprocess.py脚本，完成预处理。

   python3 pspnet_preprocess.py \
       --image_folder_path=${data_path}/VOCdevkit/VOC2012/JPEGImages/ \
       --split=${data_path}/VOCdevkit/VOC2012/ImageSets/Segmentation/val.txt \
       --bin_folder_path=./voc12_bin/
   

   ${data_path}表示数据集路径。

   • 参数说明：

     • --image_folder_path：图片路径。
     • --split：验证文件。
     • --bin_folder_path：预处理文件保存路径。

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。

      基于mmsegmentation训练的PSPNet模型的权重文件链接为：

      https://download.openmmlab.com/mmsegmentation/v0.5/pspnet/pspnet_r50-d8_512x512_20k_voc12aug/pspnet_r50-d8_512x512_20k_voc12aug_20200617_101958-ed5dfbd9.pth

      获取命令：

      wget https://download.openmmlab.com/mmsegmentation/v0.5/pspnet/pspnet_r50-d8_512x512_20k_voc12aug/pspnet_r50-d8_512x512_20k_voc12aug_20200617_101958-ed5dfbd9.pth
      

   2. 导出onnx文件。

      1. 使用pytorch2onnx导出onnx文件。

         运行pytorch2onnx.py脚本。

         python3 mmsegmentation/tools/pytorch2onnx.py \
             mmsegmentation/configs/pspnet/pspnet_r50-d8_512x512_20k_voc12aug.py \
             --checkpoint pspnet_r50-d8_512x512_20k_voc12aug_20200617_101958-ed5dfbd9.pth \
             --output-file pspnet_bs1.onnx \
             --shape 500 500  
         

         命令使用及参数说明可通过python3 mmsegmentation/tools/pytorch2onnx.py -h查看。

         获得pspnet_bs1.onnx文件。

      2. 优化ONNX文件。

         使用onnx-simplifier工具简化onnx模型，onnx-simplifier工具说明参考官方链接。

         onnxsim pspnet_bs1.onnx pspnet_sim_bs${batchsize}.onnx --overwrite-input-shape "input:${batchsize},3,500,500"
         

         获得pspnet_sim_bs${batchsize}.onnx文件，${batchsize}支持的值为：1，4，8，16，32，64。

   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 \
              --framework=5 \
              --model=pspnet_sim_bs${batchsize}.onnx \
              --output=pspnet_sim_bs${batchsize} \
              --input_format=NCHW \
              --input_shape="input:${batchsize},3,500,500" \
              --log=error \
              --soc_version=Ascend${chip_name} \
              --input_fp16_nodes=input
         

         • 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。
           • --input_fp16_nodes：设置输入为float16的节点。

           运行成功后生成pspnet_sim_bs${batchsize}.om模型文件，${batchsize}支持的值为：1，4，8，16，32，64。

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=./pspnet_sim_bs${batchsize}.om \
           --input=./voc12_bin/ \
           --batchsize=${batchsize} \
           --output=./result \
           --output_dirname=result_bs${batchsize}
      

      • 参数说明：

        • --model：om模型路径。
        • --input：bin文件路径。
        • --batchsize：om模型的batch。
        • --output：推理结果保存路径。
        • --output_dirname：推理结果子文件夹。

      ${batchsize}表示不同batch的om模型。推理完成后在指定目录即./result/result_bs${batchsize}生成推理结果。

   3. 精度验证。

      获取图片信息，命令为：

      python3 get_info.py jpg ${data_path}/VOCdevkit/VOC2012/JPEGImages/ voc12_jpg.info
      

      第一个参数为图片类型，第二个参数为数据集图片路径，第三个参数为生成的图片信息文件。

      调pspnet_postprocess.py脚本，计算mIoU指标，命令为：

       python3 pspnet_postprocess.py \
           --test_annotation=./voc12_jpg.info \
           --img_dir=${data_path}/VOCdevkit/VOC2012/JPEGImages \
           --ann_dir=${data_path}/VOCdevkit/VOC2012/SegmentationClass \
           --split=${data_path}/VOCdevkit/VOC2012/ImageSets/Segmentation/val.txt \
           --net_input_width=500 \
           --net_input_height=500 \
           --bin_data_path=./result/result_bs${batchsize}
      

      • 参数说明：

        • --test_annotation：图片信息文件。
        • --img_dir：图片路径。
        • --ann_dir：Ground Truth路径。
        • --split：验证文件。
        • --net_input_width：模型输入图片宽。
        • --net_input_height：模型输入图片高。
        • --bin_data_path：om推理结路径。

   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=pspnet_sim_bs${batchsize}.om --loop=20 --batchsize=${batch_size}
      

      • 参数说明：
        • --model：om模型。
        • --loop：执行推理次数。
        • --batchsize：om模型的batchsize。

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	VOC2012	mIoU: 76.18	48.52
300I Pro	4	VOC2012	mIoU: 76.18	63.26
300I Pro	8	VOC2012	mIoU: 76.18	66.99
300I Pro	16	VOC2012	mIoU: 76.18	67.85
300I Pro	32	VOC2012	mIoU: 76.18	67.23
300I Pro	64	VOC2012	mIoU: 76.18	63.69

注意：性能最优batchsize为16。