STDC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

STDC网络包含了一种新的结构，称为短期密集连接模块(Short-Term density Concatenate module, STDC模块)，以获得具有少量参数的可变感受野；STDC模块被集成到U-net架构中，形成STDC网络，大大提高了网络在语义分割任务中的性能。STDC网络将来自多个连续层的特征图连接起来，每个层对不同尺度和各自领域的输入图像/特征进行编码，从而实现多尺度特征表示。为了加快速度，层的卷积核尺寸逐渐减小，分割性能的损失可以忽略不计。

• 参考实现：

  url=https://github.com/open-mmlab/mmsegmentation/tree/master/configs/stdc 
  commit_id=43b4efb122f1c4e934ee2588f40210e8c34eed5f
  code_path=ACL_PyTorch/contrib/cv/segmentation/STDC
  model_name=STDC
  

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	int8	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
  output1	uint32	1 x 2097152	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	1.11.0	-
  说明：Atlas 300I Duo 推理卡请以CANN版本选择实际固件与驱动版本。	\	\

• 该模型需要以下依赖

  表 2 依赖列表

  依赖名称	版本
  onnx	1.7.0
  Torch	1.11.0
  mmcv-full	1.5.3
  TorchVision	0.6.0
  numpy	1.18.5
  Pillow	7.2.0

快速上手

获取源码

1. 获取源码。

   git clone https://github.com/open-mmlab/mmsegmentation.git
   cd mmsegmentation
   pip3 install -e .
   pip install mmcv-full==1.7.0 -f https://download.openmmlcv/dist/cu102/torch1.11/index.html
   pip3 install torchvision==0.12.0
   cd ..
   

2. 安装依赖。

   pip3 install -r requirements.txt
   

准备数据集

1. 获取原始数据集。（解压命令参考tar –xvf *.tar与 unzip *.zip）

   a.本模型支持Cityscapes 500张图片的验证集。请用户需自行获取gtFinet和leftImg8bit数据集（ 注册Cityscapes后下载gtFine_trainvaltest.zip和leftImg8bit_trainvaltest.zip ），上传数据集到服务器任意目录并解压（如：/home/HwHiAiUser/dataset）。本模型将使用到leftImg8bit验证集及gtFine中的数据标签。目录结构如下：

   ├── cityscapes
     ├── leftImg8bit
     ├── gtFine
   

2. 数据预处理，将原始数据集转换为模型输入的数据。

   将原始数据（.jpeg）转化为二进制文件（.bin）。

   执行STDC_preprocess.py 脚本，完成预处理。

   python3 ./STDC_preprocess.py /opt/npu/cityscapes/leftImg8bit/val/ ./prep_dataset
   

   • 参数说明：
     • 第一个参数：原始数据验证集（.jpeg）所在路径。
     • 第二个参数：输出的二进制文件（.bin）所在路径。

   每个图像对应生成一个二进制文件。

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。

      从源码包中获取权重文件stdc1_512x1024_80k_cityscapes_20220224_073048-74e6920a.pth。

      wget -P ./mmsegmentation/  https://download.openmmlab.com/mmsegmentation/v0.5/stdc/stdc1_512x1024_80k_cityscapes/stdc1_512x1024_80k_cityscapes_20220224_073048-74e6920a.pth
      

   2. 导出onnx文件。

      1. 使用mmsegmentation/tools目录下的pytorch2onnx.py导出onnx文件。

         运行mmsegmentation/tools/pytorch2onnx.py脚本。

         cd mmsegmentation 
         python3 tools/pytorch2onnx.py \
         configs/stdc/stdc1_512x1024_80k_cityscapes.py \
         --checkpoint stdc1_512x1024_80k_cityscapes_20220224_073048-74e6920a.pth \
         --output-file ../stdc_bs1.onnx \
         --cfg-options model.test_cfg.mode="whole"
         

         获得stdc_bs1.onnx文件。

      2. 优化ONNX文件。

         在STDC目录下，使用optimize_onnx.py脚本优化onnx模型

         python3 optimize_onnx.py stdc_bs1.onnx stdc_optimize_bs1.onnx
         

         获得stdc_optimize_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 --framework=5 --model=./stdc_optimize_bs1.onnx --output=stdc_optimize_bs1 --input_format=NCHW --input_shape="input:1,3,1024,2048" --log=debug --soc_version={soc_version} --insert_op_conf=./aipp.config --enable_small_channel=1
         

         • 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。
           • --insert_op_conf：表示插入aipp算子的配置文件。
           • --enable_small_channel：模型优化参数。

         运行成功后生成stdc_optimize_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。

      python3 -m ais_bench --model ./stdc_optimize_bs1.om --input ./prep_dataset --output ./result --output_dirname bs1 --outfmt BIN --batchsize 1
      

      • 参数说明：
        • --model：om模型。
        • --input：预处理数据集路径。
        • --output：推理结果所在路径。
        • --outfmt：推理结果文件格式。
        • --batchsize：不同的batchsize。

      推理后的输出默认在当前目录lcmout下。

   3. 精度验证。

      调用stdc_postprocess.py脚本与数据集cityscapes/gtFine/val/中的标签比对，可以获得Accuracy数据，结果保存在postprocess_result.txt中。

      python3 ./STDC_postprocess.py --output_path=./result/bs1 --gt_path=/opt/npu/cityscapes/gtFine/val
      

      • 参数说明：
        • --output_path：推理结果保存的路径。
        • --gt_path：cityscapes验证集的路径。

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。

精度对比：

Model	STDC
开源精度	mIoU = 71.82
300I Pro精度	mIoU = 71.81

性能对比：

芯片型号	Batch Size	数据集	性能
300I Pro	1	Cityscapes	27.95