VNet 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

V-Net是一个早期的全卷积的三维图像分割网络，基本网络架构与2D图像分割网络U-Net相似，为了处理3D医学图像，采用了3D卷积模块和3D转置卷积模块。

• 参考论文：

  V-Net: Fully Convolutional Neural Networks for Volumetric Medical Image Segmentation

• 参考实现：

  url=https://github.com/mattmacy/vnet.pytorch
  branch=master
  commit_id=a00c8ea16bcaea2bddf73b2bf506796f70077687
  

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
  actual_input1	FP32	batchsize x 1 x 64 x 80 x 80	ND

• 输出数据

  输出数据	数据类型	大小	数据排布格式
  output1	FP32	batchsize x 64 x 80 x 80 x 2	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	1.12.1	-
  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. 获取本仓源码。

2. 获取开源模型代码，和第1步源码置于同级目录下。

   git clone https://github.com/mattmacy/vnet.pytorch
   cd vnet.pytorch
   git checkout a00c8ea16bcaea2bddf73b2bf506796f70077687
   

3. 对源码进行修改，以满足数据集预处理及模型转换等功能。

   cd vnet.pytorch
   patch -p1 < ../vnet.patch
   cd ..
   

4. 安装必要依赖。

   pip3 install -r requirements.txt
   

准备数据集

1. 获取原始数据集。

   该模型使用LUNA16数据集自行划分的测试集进行测试。这里提供已处理过的数据下载链接，下载解压后上传至服务器，和第1步源码置于同级目录下，数据目录结构如下所示：

   ├── luna16  
         ├──normalized_lung_ct
              ├──1.3.6.1.4.1.14519.5.2.1.6279.6001.997611074084993415992563148335.mhd                    
              ├──...                     
         ├──normalized_lung_mask
              ├──1.3.6.1.4.1.14519.5.2.1.6279.6001.997611074084993415992563148335.mhd
              ├──...     
   

2. 执行预处理脚本，生成数据集预处理后的bin文件

   python3 vnet_preprocess.py ./luna16 ${prep_bin} ./test_uids.txt
   

   参数说明：

   • --参数1：数据集路径。
   • --参数2：指定保存bin文件的路径，比如 prep_bin。
   • --参数3：测试样本名文件路径。

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。

      点击下载权重文件 vnet_model_best.pth.tar

   2. 导出onnx文件。

      1. 使用vnet_pth2onnx.py导出动态batch的onnx文件。

         python3 vnet_pth2onnx.py vnet_model_best.pth.tar vnet.onnx
         

         参数说明：

         • --参数1：模型权重文件路径。
         • --参数2：ONNX模型文件保存路径。

   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                            |
         +===================+=================+======================================================+
         

   4. 执行ATC命令。

      # bs = [1, 4, 8, 16, 32, 64]
      atc --model=vnet.onnx --framework=5 --output=vnet_bs${bs} --input_format=NCDHW --input_shape="actual_input_1:${bs},1,64,80,80" --log=error --soc_version=Ascend${chip_name}
      

      运行成功后生成vnet_bs${bs}.om模型文件。

      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。

2. 开始推理验证。

   1. 使用ais-bench工具进行推理。

      ais-bench工具获取及使用方式请点击查看[ais_bench 推理工具使用文档]

   2. 执行推理。

      python3 -m ais_bench --model=vnet_bs${bs}.om  --batchsize=${bs} \
      --input ${prep_bin} --output result --output_dirname result_bs${bs} --outfmt BIN
      

      参数说明：

      • --model：om模型路径。
      • --batchsize：批次大小。
      • --input：输入数据所在路径。
      • --output：推理结果输出路径。
      • --output_dirname：推理结果输出子文件夹。
      • --outfmt：推理结果输出格式

3. 精度验证。

   调用vnet_postprocess.py脚本与真值标签比对，可以获得精度数据。

   python3 vnet_postprocess.py ${result_dir} ./luna16/normalized_lung_mask ./test_uids.txt
   

   参数说明：

   • --参数1：生成推理结果所在路径，比如这里为result/result_bs${bs}。
   • --参数2：真值标签数据路径。
   • --参数3：测试样本名文件路径。

4. 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=vnet_bs${bs}.om --loop=50 --batchsize=${bs}
   

   参数说明：

   • --model：om模型路径。
   • --batchsize：批次大小。

模型推理性能&精度

调用ACL接口推理计算，VNet模型的性能和精度参考下列数据。

芯片型号	Batch Size	数据集	开源精度（Point Accuracy）	参考精度（Point Accuracy）
300I Pro	1	LUNA16	99.645%	99.409%

芯片型号	Batch Size	参考性能（FPS）
300I Pro	1	44.49
300I Pro	4	43.12
300I Pro	8	43.06
300I Pro	16	42.88
300I Pro	32	42.55
300I Pro	64	41.94