Wseg 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

wseg作为语义分割方法与之前工作相比的特点在于：1. 不需要先检测再分割；2. 不需要有像素级别的标注信息，只需要图像层次的类别信息就能训练。

• 参考论文：

  Araslanov N, Roth S. Single-stage semantic segmentation from image labels

• 参考实现：

  url=https://github.com/visinf/1-stage-wseg
  commit_id=cfe5784f9905d656e0f15fba0e6eb76a3731d80f
  

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 1020 x1020	NCHW

• 输出数据

  输出数据	数据类型	大小	数据排布格式
  mask	RGB_FP32	batchsize x 3 x 2040 x 2040	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	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，放于自建目录 <project> 下

2. 获取开源模型代码，与第一步源码放于同级目录 <project> 下。

   git clone https://github.com/visinf/1-stage-wseg -b master   
   cd 1-stage-wseg
   git reset cfe5784f9905d656e0f15fba0e6eb76a3731d80f --hard
   cd ..
   mv 1-stage-wseg wseg
   

3. 安装必要依赖。

   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）

   下载VOC数据集Training/Validation (2GB .tar file)。将文件名改为voc，并将其放于代码仓中的以下路径： <project>/data/，得到如下目录结构

   <project>/data/voc/VOCdevkit/VOC2012
   ├──SegmentationObject
   ├──SegmentationClass
   ├──JPEGImages
   ├──Annotations
   ├──ImageSets
   │   ├── Segmentation
   │   ├── Main
   │   ├── Layout
   

2. 数据预处理，将原始数据集转换为模型的输入数据。

   执行 wseg_preprocess.py 脚本，完成数据预处理。

   python3 pth2onnx.py ./data ./wseg/data/val_voc.txt ${prep_data}
   

   参数说明：

   • --参数1：原数据集路径。
   • --参数2：验证集文件列表。
   • --参数3：为生成数据集文件的保存路径。

运行成功后，在当前目录生成预处理后的数据集文件。

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 。

      a. 获取经过预训练的基础网络权重文件并且放在代码仓的以下路径中：<project>/models/weights/.

      Backbone	Link
      WideResNet38	ilsvrc-cls_rna-a1_cls1000_ep-0001.pth (402M)

      b. 获取功能网络权重（作者提供的pth模型）并放置于代码仓的以下路径中：（初始代码仓无snapshots文件夹，需要自己新建路径）<project>/snapshots/

      Backbone	Link
      WideResNet38	model_enc_e020Xs0.928.pth (527M)

      c. 移动上述两个权重文件到代码仓指定位置，以待加载使用

      mkdir ./models/weights
      mv ilsvrc-cls_rna-a1_cls1000_ep-0001.pth ./models/weights
      mkdir ./snapshots
      mv model_enc_e020Xs0.928.pth ./snapshots
      

   2. 导出onnx文件。

      1. 使用wseg_pth2onnx.py导出动态batch的onnx文件wideresnet_dybs.onnx。

         python3 wseg_pth2onnx.py ./wseg/configs/voc_resnet38.yaml ./snapshots/model_enc_e020Xs0.928.pth wideresnet_dybs.onnx
         

         参数说明：

         • --参数1：模型配置文件。
         • --参数2：模型权重文件。
         • --参数3：生成的onnx文件名称。

      2. 使用fix_onnx.py得到修改后的onnx文件。

         python3 fix_softmax_transpose.py ./wideresnet_dybs.onnx ./wideresnet_dybs_fix.onnx
         

         参数说明：

         • --参数1：原onnx文件。
         • --参数2：修改后的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                            |
         +===================+=================+======================================================+
         

   4. 执行ATC命令。

      # bs = [1, 4, 8, 16]
      atc --model=./wideresnet_dybs_fix.onnx --framework=5 --output=wideresnet_bs${bs} --input_format=NCHW --input_shape="image:${bs},3,1024,1024" --log=error --soc_version=Ascend${chip_name}
      

      运行成功后生成wseg_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=wideresnet_bs${bs}.om --batchsize=${bs} \
      --input ${prep_data} --output result --output_dirname result_bs${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。

   1. 调用wseg_postprocess.py脚本，在指定路径/output/output_bs${bs}生成后处理得到的结果文件。

      python3 wseg_postprocess.py ./data ./wseg/data/val_voc.txt ./result/result_bs${bs}/ ./output/output_bs${bs}/
      

      参数说明：

      • --参数1：原数据集路径。
      • --参数2：验证集文件列表。
      • --参数3：推理结果所在路径。
      • --参数4：后处理后生成的图片。

   2. 调用开源仓的精度验证脚本，计算精度。

      python3 ./wseg/eval_seg.py --data ./data --filelist wseg/data/val_voc.txt --masks output/output_bs${bs}/crf
      

      参数说明：

      • --data：原数据集路径。
      • --filelist：验证集文件列表。
      • --masks：后处理得到的结果文件。

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=wideresnet_bs${bs}.om --loop=50 --batchsize=${bs}
   

   参数说明：

   • --model：om模型路径。
   • --loop：纯推理循环次数。
   • --batchsize：批次大小。

模型推理性能&精度

调用ACL接口推理计算，Wseg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（IoU）	参考精度（IoU）
300I Pro	1	VOC2012	62.7%	62.74%

芯片型号	Batch Size	参考性能（FPS）
300I Pro	1	5.26
300I Pro	4	3.68
300I Pro	8	2.29
300I Pro	16	2.28