YOLACT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

YOLACT是2019年发表在ICCV上面的一个实时实例分割的模型，它主要是通过两个并行的子网络来实现实例分割的。(1)Prediction Head分支生成各个anchor的类别置信度、位置回归参数以及mask的掩码系数；(2)Protonet分支生成一组原型mask。然后将原型mask和mask的掩码系数相乘，从而得到图片中每一个目标物体的mask。论文中还提出了一个新的NMS算法叫Fast-NMS，和传统的NMS算法相比只有轻微的精度损失，但是却大大提升了分割的速度。

• 参考论文： Bolya D, Zhou C, Xiao F, et al. Yolact: Real-time instance segmentation[C]//Proceedings of the IEEE/CVF International Conference on Computer Vision. 2019: 9157-9166.

• 参考实现：

  url=https://github.com/dbolya/yolact.git
  branch=master 
  commit_id=57b8f2d95e62e2e649b382f516ab41f949b57239 
  model_name=YOLACT
  

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	RGB_FP32	batchsize x 3 x 550 x 550	NCHW

• 输出数据

  输出数据	数据类型	大小	数据排布格式
  output1	FLOAT32	batchsize x 19248 x 32	ND
  output2	FLOAT32	batchsize x 19248 x 81	ND
  output3	FLOAT32	batchsize x 19248 x 4	ND
  output4	FLOAT32	batchsize x 138 x 138 x 32	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	-
  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/dbolya/yolact
   cd yolact
   git checkout master
   git reset --hard 57b8f2d95e62e2e649b382f516ab41f949b57239
   
   patch -p1 < ../YOLACT.patch
   
   cp ../YOLACT_preprocess.py ./
   cp ../YOLACT_postprocess.py  ./
   cp ../YOLACT_pth2onnx.py ./
   

   目录结构如下：

   ├─YOLACT
      ├─yolact                              //开源仓位置
         ├─datasets                         //数据集位置
         ├─YOLACT_pth2onnx.py
         ├─YOLACT_preprocess.py
         ├─YOLACT_postprocess.py
      ├─modelzoo_level.txt
      ├─YOLACT.patch
      ├─requirements.txt
      ├─LICENSE
      ├─README.md
   

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COCO2017 验证集共4952张图片。可上传val2017文件夹和instances_val2017.json文件到路径下，以"./datasets"为例。目录结构如下：

   ├──./datasets
      ├── instances_val2017.json    //验证集标注信息       
      └── val2017             // 验证集文件夹
   

2. 数据预处理，将原始数据集转换为模型输入的数据。

   执行YOLACT_preprocess.py脚本，完成预处理。

   python3 YOLACT_preprocess.py --valid_images=./datasets/val2017 --valid_annotations=./datasets/instances_val2017.json --saved_path=./prep_dataset
   

   • 参数说明：
     • --valid_images：验证集文件路径。
     • --valid_annotations：验证集标注信息路径。
     • --saved_path：预处理后的bin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。

下载权重文件yolact_base_54_800000.pth，可放置于任意路径下，以"./"目录下为例。

2. 导出onnx文件。

   使用YOLACT_pth2onnx.py导出onnx文件。

   运行YOLACT_pth2onnx.py脚本。

   python3 YOLACT_pth2onnx.py --trained_model=yolact_base_54_800000.pth --outputName=./yolact --dynamic=True
   

   • 参数说明：
     • --trained_model：权重文件路径。
     • --outputName：onnx模型文件名的路径。
     • --dynamic：预处理后的bin文件路径。

   获得./yolact.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=yolact.onnx --output=yolact_bs1 --input_format=NCHW --input_shape="input.1:1,3,550,550" --log=error --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yolact_bs1.om模型文件。

4. 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(${ais_infer_path}请根据实际的推理工具路径填写)。

      mkdir result
      python3 -m ais_bench --model=./yolact_bs1.om --input=./prep_dataset --output=./result --output_dirname=bs1 --outfmt=BIN --batchsize=1 --device=0
      

      • 参数说明：

        • --model：om文件路径。
        • --input：输入的bin文件路径。
        • --output：推理结果文件路径。
        • --outfmt：输出结果格式。
        • --batchsize：批大小。
        • --device：NPU设备编号。

        推理后的输出默认在当前目录./result/bs1下。

   3. 精度验证。

      调用脚本与数据集标签val_label.txt比对，可以获得Accuracy数据，结果保存在result.json中。

      python3 YOLACT_postprocess.py --valid_images=./datasets/val2017 --valid_annotations=./datasets/instances_val2017.json --npu_result=./result/bs1
      

      • 参数说明：

        • --valid_images：验证集文件路径。
        • --valid_annotations：验证集标注信息路径。
        • --npu_result：om模型的推理结果路径。

   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：

      python3 -m ais_bench --model=${om_model_path} --loop=20 --batchsize=${batch_size} --device=${device_id}
      

      • 参数说明：
        • --model：om模型路径。
        • --batchsize：批大小。
        • --loop：推理循环次数。
        • --device：NPU设备编号。

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	coco2017	box: 32.07, mask: 29.72	163.439
300I PRO	4	coco2017	box: 32.07, mask: 29.72	131.034
300I PRO	8	coco2017	box: 32.07, mask: 29.72	113.595
300I PRO	16	coco2017	box: 32.07, mask: 29.72	117.710
300I PRO	32	coco2017	box: 32.07, mask: 29.72	120.386
300I PRO	64	coco2017	box: 32.07, mask: 29.72	118.647

公网地址说明

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