EDSR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

论文通过提出EDSR模型移除卷积网络中不重要的模块并且扩大模型的规模，使网络的性能得到提升。

• 参考实现：

  url=https://github.com/sanghyun-son/EDSR-PyTorch.git
  branch=master
  commit_id=9d3bb0ec620ea2ac1b5e5e7a32b0133fbba66fd2
  

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 1020 x 1020	NCHW

• 输出数据

  输出数据	大小	数据类型	数据排布格式
  output	batch_size x 3 x 2040 x 2040	FLOAT32	NCHW

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	1.0.17	Pytorch框架推理环境准备
CANN	6.0.RC1	-
Python	3.7.5	-
PyTorch	1.5.0+	-
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://gitcode.com/ascend/ModelZoo-PyTorch.git        # 克隆仓库的代码
   git checkout master         # 切换到对应分支
   cd ACL_PyTorch/contrib/cv/super_resolution/EDSR              # 切换到模型的代码仓目录
   

2. 安装依赖。

   pip3 install -r requirements.txt
   

3. 获取开源代码仓。 在已下载的源码包根目录下，执行如下命令。

   git clone https://github.com/sanghyun-son/EDSR-PyTorch.git
   cd EDSR-PyTorch && git checkout 9d3bb0ec
   patch -p1 < ../edsr.diff
   cd ..
   

准备数据集

1. 获取原始数据集。

   本模型采用DIV2K官网的100张验证集进行测试 其中，低分辨率图像(LR)采用bicubic x2处理(Validation Data Track 1 bicubic downscaling x2 (LR images))，高分辨率图像(HR)采用原图验证集(Validation Data (HR images))。

   数据目录结构请参考：

   ├── DIV2K              
         ├──HR  
              │──图片1
              │──图片2
              │   ...
         ├──LR
              │──图片1
              │──图片2
              │   ...       
   

2. 数据预处理。

   数据预处理将原始数据集转换为模型输入的数据。

   执行预处理脚本，生成数据集预处理后的bin文件:

   python3 edsr_preprocess.py -s DIV2K/LR -d ./prep_data
   

   • 参数说明：

     -s: 数据集文件位置。

     -d：输出文件位置。

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。

      下载地址pth权重文件(提取码：w5ay),解压得到 edsr_baseline_x2-1bc95232.pt 文件。

   2. 导出onnx文件。

      1. 使用脚本导出onnx文件。

         运行edsr_pth2onnx.py脚本。

         # pth转换为ONNX
         mkdir -p models/onnx
         python3 edsr_pth2onnx.py --pth edsr_baseline_x2-1bc95232.pt --onnx models/onnx/edsr_x2_dynamic.onnx --size 1020
         

         • 参数说明：

           --pth: 模型权重。

           --onnx：导出onnx文件路径。

           --size: 输入图片尺寸大小。

         获得models/onnx/edsr_x2.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
         

         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（${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。

         # 以bs1为例
         atc --model=models/onnx/edsr_x2_dynamic.onnx --framework=5 --output=models/om/edsr_x2_bs1 --input_format=NCHW --input_shape="input.1:1,3,1020,1020" --log=debug --soc_version=Ascend${chip_name} --fusion_switch_file=switch.cfg
         

         • 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。
           • --fusion_switch_file：融合规则配置。

           运行成功后生成edsr_x2_bs1.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。

      # 以bs1为例
      mkdir -p results/bs1
      python3 -m ais_bench --model ./models/om/edsr_x2_bs1.om --input ./prep_data/bin --output ./results --output_dirname bs1 --batchsize 1
      

      • 参数说明：

        • --model：om文件路径。
        • --input：输入文件。
        • --output：输出目录。
        • --output_dirname：保存目录名。
        • --device：NPU设备编号。
        • --outfmt: 输出数据格式。
        • --batchsize：推理模型对应的batchsize。

      推理后的输出默认在当前目录outputs/bs32下。

   3. 精度验证。

   调用edsr_postprocess.py脚本与数据集标签比对，获得Accuracy数据。

   python3 edsr_postprocess.py --res ./results/bs1 --HR ./DIV2k/HR
   

   • 参数说明：

    --res：推理结果所在路径。
   
    --HR：GT数据文件所在路径。
   

模型推理性能&精度

精度参考下列数据:

device	ACC
基准	34.6%
300I Pro	34.6%

性能参考下列数据(memory限制只支持到bs8)。

模型	基准性能	300I Pro性能
EDSR bs1	6.0501fps	7.9055
EDSR bs4	5.6783fps	7.8842
EDSR bs8	5.7391fps	7.0100