Unet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

UNet是由FCN改进而来的图像分割模型，其网络结构像U型，分为特征提取部分和上采样特征融合部分。

• 参考实现：

  url=https://github.com/milesial/Pytorch-UNet
  commit_id=6aa14cbbc445672d97190fec06d5568a0a004740
  model_name=UNet
  

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	FLOAT32	batchsize x 3 x 572 x 572	NCHW

• 输出数据

  输出数据	数据类型	大小	数据排布格式
  output	FLOAT32	batchsize x 3 x 388 x 388	NCHW

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	22.0.4	Pytorch框架推理环境准备
  CANN	6.3.RC1	-
  Python	3.7.5	-
  PyTorch	1.7.0	-
  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/milesial/Pytorch-UNet.git
   cd Pytorch-UNet
   git reset --hard 6aa14cb
   cd ..
   mv ./Pytorch-UNet ./Pytorch_UNet
   

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）

   本模型支持carvana数据集，下载链接。数据集train.zip以及train_masks.zip分别作为训练和标签文件，上传并解压到源码包路径下，目录结构如下：

   carvana
   ├── train
   └── train_masks 
   

2. 数据预处理，将原始数据集转换为模型输入的数据。

   执行preprocess_unet_pth.py脚本，将原始数据（.jpg）转化为二进制文件（.bin）。

   python3 preprocess_unet_pth.py --src_path=./carvana/train --save_bin_path=./prep_bin
   

   • 参数说明：
     • --src_path：原始数据集所在路径。
     • --save_bin_path：输出的二进制文件所在路径。

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。

      UNet.pth权重文件下载链接。

   2. 导出onnx文件。

      1. 移动unet_pth2onnx.py至Pytorch_Unet目录，使用unet_pth2onnx.py导出onnx文件。

         mv unet_pth2onnx.py ./Pytorch_UNet
         python3 ./Pytorch_UNet/unet_pth2onnx.py ./UNet.pth ./UNet_dynamic_bs.onnx
         

         获得UNet_dynamic_bs.onnx文件。

      2. 使用onnxsim精简onnx文件。

         python3 -m onnxsim --dynamic-input-shape --input-shape="1,3,572,572" UNet_dynamic_bs.onnx UNet_dynamic_sim.onnx
         

         获得UNet_dynamic_sim.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=UNet_dynamic_sim.onnx --framework=5 --output=UNet_bs${batch_size} --input_format=NCHW --input_shape='actual_input_1:${batch_size},3,572,572' --log=info --soc_version=Ascend${chip_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UNet_bs${batch_size}.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=UNet_bs${batch_size}.om --input=./prep_bin --output=result --output_dirname=bs${batch_size} --batchsize=${batch_size}
      

      • 参数说明：

        • --model：om文件路径。
        • --input：输入数据目录。
        • --output：推理结果输出路径。
        • --output_dirname: 推理结果输出目录。

   3. 精度验证。

      1. 处理summary.json文件，依据json文件信息更改推理输出文件名称。

         python3 json_parse.py --output=result/bs${batch_size}/
         

         • 参数说明：

           • --output：推理结果生成路径。

      2. 调用postprocess_unet_pth.py脚本与train_masks标签数据比对，可以获得Accuracy数据。

         python3 postprocess_unet_pth.py --output=result/bs${batch_size} --label=./carvana/train_masks --result=./result.txt
         

         • 参数说明：

           • --output：推理结果生成路径。
           • --label：标签文件路径。
           • --result：生成IOU结果文件。

   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=UNet_bs${batch_size}.om --loop=100 --batchsize=${batch_size}
      

      • 参数说明：
        • --model：om文件路径。
        • --batchsize：batch大小

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。

Batch Size	数据集	精度	300I Pro	A500 A2
1	carvana	IOU:0.986305	75.0603	12.78
4	carvana	IOU:0.986305	71.2920	11.75
8	carvana	IOU:0.986305	68.5334	11.56
16	carvana	IOU:0.986305	67.7102	11.29
32	carvana	IOU:0.986305	65.5027	11.18
64	carvana	IOU:0.986305	49.0184	NA
		最优性能	75.0603	12.78

公网地址说明

代码涉及公网地址参考 public_address_statement.md