SeMask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

SeMask模型为第一个将语义上下文添加到预训练的Transformer主干以进行语义分割任务的模型。其通过两种技术将语义信息整合到通用的分层视觉转换器架构中，首先在Transformer Layer之后增加一个Semantic Layer；其次，使用了两个解码器：一个仅用于训练的轻量级语义解码器和一个特征解码器。

• 参考实现：

  url=https://github.com/Picsart-AI-Research/SeMask-Segmentation
  commit_id=f12cf00c86afe669dfbea1dff0f8053ba49fed56
  model_name=SeMask-FPN
  

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
  image	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	FP32	batchsize x 1024 x 2048	ND

推理环境准备[所有版本]

• 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	1.0.15	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。	\	\

快速上手

获取源码

1. 获取源码。

    git clone https://github.com/Picsart-AI-Research/SeMask-Segmentation.git
    cd SeMask-Segmentation
    git reset --hard f12cf00c86afe669dfbea1dff0f8053ba49fed56
    cd ..
    mv SeMask-Segmentation/SeMask-FPN/ ./
   

   由于onnx不支持动态图，需要使用SeMask.patch修改模型代码。

   patch -p1 < SeMask.patch
   

   安装mmsegmentation依赖

   cd SeMask-FPN
   pip install -e .
   cd ..
   

2. 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。用户需要下载leftImg8bit_trainvaltest.zip和gtFine_trainvaltest.zip数据集，解压，将两个数据集放在./datasets/cityscapes/目录下。

   .
   └──datasets
       └──cityscapes
           ├──gtFine
           |    ├──test
           |    ├──train
           |    └──val
           └──leftImg8bit
               ├──test
               ├──train
               └──val
   

2. 数据预处理。

   运行cityscapes脚本对数据进行预先处理

   python SeMask-FPN/tools/convert_datasets/cityscapes.py datasets/cityscapes/ --nproc 8
   

   运行SeMask_preprocess脚本将数据处理为bin文件

   python SeMask_preprocess.py \
   SeMask-FPN/configs/semask_swin/cityscapes/semfpn_semask_swin_small_patch4_window7_768x768_80k_cityscapes.py \
   --data_root ./datasets/cityscapes/ \
   --save_path ./preprocess_result/
   

   参数说明：

   • data_root：cityscapes数据文件存储的路径，可自行设置，默认值为./datasets/cityscapes/；
   • save_path：导出bin文件存储的路径，可自行设置，默认值为./preprocess_result。

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。

      获取权重文件方法，可从SeMask-S FPN下载获取权重文件semask_small_fpn_cityscapes.pth

   2. 导出onnx文件。

      1. 使用SeMask_pth2onnx.py导出onnx文件。 运行SeMask_pth2onnx.py脚本。

         python SeMask_pth2onnx.py \
         SeMask-FPN/configs/semask_swin/cityscapes/semfpn_semask_swin_small_patch4_window7_768x768_80k_cityscapes.py \
         --checkpoint semask_small_fpn_cityscapes.pth \
         --batch_size ${bs} \
         --output_file SeMask_bs${bs}.onnx
         

         参数说明：

         • checkpoint：pth权重文件的路径，可自行设置，默认值为semask_small_fpn_cityscapes.pth；
         • batch_size：导出的onnx模型的batch_size，可自行设置，默认值为1。
         • output_file：需要转出的onnx模型的名称，可自行设置，默认值为SeMask.onnx（由于本模型不支持动态batch，推荐在模型名后加后缀，如‘_bs1’，用以区分不同batch_size的onnx模型。)

      2. 使用onnxsim，简化onnx模型结构

         python -m onnxsim SeMask_bs${bs}.onnx SeMask_bs${bs}_sim.onnx
         

   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
         

         说明： 该脚本中环境变量仅供参考，请以实际安装环境配置环境变量。详细介绍请参见《CANN 开发辅助工具指南 (推理)》。

      2. 执行命令查看芯片名称。

         npu-smi info
         
         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              | 16.8         53                0    / 0              |
         | 0       0         | 0000:86:00.0    | 0            944  / 21534                            |
         +===================+=================+======================================================+
         

      3. 执行ATC命令。

         atc --framework=5 \
         --model=SeMask_bs${bs}_sim.onnx \
         --output=SeMask_bs${bs}  \
         --input_format=NCHW \
         --input_shape="image:${bs},3,1024,2048" \
         --soc_version=Ascend${chip_name} \
         

         • 参数说明：
           • --framework：5代表ONNX模型。
           • --model：为ONNX模型文件。
           • --output：输出的OM模型。
           • --input_format：输入数据的格式。
           • --input_shape：输入数据的shape。
           • --soc_version：处理器型号。

         运行成功后生成om模型文件，推荐在模型名后加后缀，如‘_bs1’，用以区分不同batch_size的om模型。

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。

      mkdir output
      python -m ais_bench \
      --model SeMask_bs${bs}.om \
      --batchsize ${bs} \
      --input ./preprocess_result/leftImg8bit/ \
      --output ./output \
      --outfmt BIN
      

      • 参数说明：
        • model：om文件路径。
        • batchsize：om文件对应的模型batch size。
        • input：模型输入的路径。
        • output：推理结果输出路径。
        • outfmt：输出数据的格式。

   3. 精度验证。

      后处理统计mIoU

      调用SeMask_postprocess.py脚本将推理结果与label进行比对，获取pixAcc和mIoU数据

      python SeMask_postprocess.py \
      SeMask-FPN/configs/semask_swin/cityscapes/semfpn_semask_swin_small_patch4_window7_768x768_80k_cityscapes.py \
      --input_dir ./preprocess_result/leftImg8bit/ \
      --result_dir ./output/${time_line}/ \
      --data_root ./datasets/cityscapes/
      

      • 参数说明：
        • input_dir：模型输入数据路径。
        • result_dir：模型输出文件路径。
        • data_root：数据集文件路径。

   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：

      python -m ais_bench \
      --model=SeMask_bs{bs}.om \
      --loop=100 \
      --batchsize=${bs}
      

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	cityscapes	76.54	4.72
300I Pro	4	cityscapes	76.54	4.37
300I Pro	8	cityscapes	76.54	4.13
300I Pro	16	cityscapes	内存不足