StarNet_MobileNetV3模型-推理指导

• 概述

• 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

概述

参考论文[STAR-Net: a spatial attention residue network for scene text recognition]， StarNet 强调了通过空间注意机制和残差学习策略从文本区域中提取基于图像的代表性特征的重要性。它是迄今为止提出的用于场景文本识别的最深的神经网络。

• 参考实现：

  url=https://github.com/PaddlePaddle/PaddleOCR.git
  branch=release/2.5
  commit_id=a40f64a70b8d290b74557a41d869c0f9ce4959d5
  model_name=StarNet_MobileNetV3
  

  通过Git获取对应commit_id的代码方法如下：

  git clone {repository_url}        # 克隆仓库的代码
  cd {repository_name}              # 切换到模型的代码仓目录
  git checkout {branch/tag}         # 切换到对应分支
  git reset --hard {commit_id}      # 代码设置到对应的commit_id（可选）
  cd {code_path}                    # 切换到模型代码所在路径，若仓库下只有该模型，则无需切换
  

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 32 x 100	NCHW

• 输出数据

  输出数据	大小	数据类型	数据排布格式
  output1	batchsize x 25 x 37	FLOAT32	ND

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	22.0.2.3	Pytorch框架推理环境准备
CANN	6.0.RC1	-
Python	3.7.5	-
PyTorch	1.12.1	-
paddlepaddle	2.3.2	-
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 -b release/2.5 https://github.com/PaddlePaddle/PaddleOCR.git
   cd PaddleOCR 
   git reset --hard a40f64a70b8d290b74557a41d869c0f9ce4959d5
   git apply ../StarNet_MobileNetV3.patch
   cd ..
   

2. 安装依赖。

   pip3 install -r requirements.txt
   cd PaddleOCR
   python3 setup.py install
   export PYTHONPATH=$(echo $(pwd)):$PYTHONPATH
   cd ..
   git clone https://gitcode.com/ascend/auto-optimizer.git
   cd auto-optimizer
   pip3 install -r requirements.txt
   python3 setup.py install
   cd ..
   

准备数据集

1. 获取原始数据集。

   该模型在以LMDB格式(LMDBDataSet)存储的IIIT, SVT, IC03, IC13, IC15, SVTP, CUTE数据集上进行评估，共计12067个评估数据，数据介绍参考[DTRB]，数据集[下载链接]。

   下载后将其中的evaluation.zip压缩包存放在StarNet_MobileNetV3目录下，并通过以下命令进行解压。

   mkdir -p ./train_data/data_lmdb_release/
   unzip -d ./train_data/data_lmdb_release/ evaluation.zip
   

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。

   在StarNet_MobileNetV3工作目录下，执行StarNet_MobileNetV3_preprocess.py脚本，完成预处理。

    python3 StarNet_MobileNetV3_preprocess.py \
        --config=PaddleOCR/configs/rec/rec_mv3_tps_bilstm_ctc.yml \
        --opt=bin_data=starnet_bindata
   

   • 参数说明：

     • --config：模型配置文件。
     • --opt=bin_data：bin文件保存路径。

   运行后在当前目录下的starnet_bindata路径中保存生成的二进制数据。

模型推理

1. 模型转换。

   使用paddle2onnx将模型权重文件转换为.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。

训练权重链接为：

   在`StarNet_MobileNetV3`工作目录下可通过以下命令获取训练权重并转为推理模型。

   ```
   wget -nc -P ./checkpoint https://paddleocr.bj.bcebos.com/dygraph_v2.0/en/rec_mv3_tps_bilstm_ctc_v2.0_train.tar
   cd ./checkpoint && tar xf rec_mv3_tps_bilstm_ctc_v2.0_train.tar && cd ..
   python3 PaddleOCR/tools/export_model.py \
       -c PaddleOCR/configs/rec/rec_mv3_tps_bilstm_ctc.yml \
       -o Global.pretrained_model=./checkpoint/rec_mv3_tps_bilstm_ctc_v2.0_train/best_accuracy  \
       Global.save_inference_dir=./inference/rec_starnet

   ```
  
   - 参数说明：

        -   -c：模型配置文件。
        -   -o: 模型入参信息。
        -   Global.pretrained_model：权重文件保存路径。
        -   Global.save_inference_dir：paddleocr推理模型保存路径。

2. 导出onnx文件。

   1. 使用paddle2onnx工具导出onnx文件。

      在StarNet_MobileNetV3工作目录下通过运行以下命令获取onnx模型。

      paddle2onnx \
          --model_dir ./inference/rec_starnet \
          --model_filename inference.pdmodel \
          --params_filename inference.pdiparams \
          --save_file ./StarNet_MobileNetV3_dybs.onnx \
          --opset_version 11 \
          --enable_onnx_checker True
      

      参数说明请通过paddle2onnx -h命令查看。

      运行后在StarNet_MobileNetV3目录下获得StarNet_MobileNetV3_dybs.onnx文件。

   2. 优化ONNX文件。

      使用onnxsim工具优化onnx模型，命令如下。

       onnxsim StarNet_MobileNetV3_dybs.onnx StarNet_MobileNetV3_sim_dybs.onnx --skip-shape-inference
      

      获得StarNet_MobileNetV3_sim_dybs.onnx文件。

      使用opt_onnx.py脚本优化onnx模型，主要是替换GridSample算子。

       python3 opt_onnx.py \
           --in_onnx=./StarNet_MobileNetV3_sim_dybs.onnx \
           --out_onnx=./StarNet_MobileNetV3_sim_opt_dybs.onnx
      

      • 参数说明：

        • --in_onnx：输入ONNX模型文件。
        • --out_onnx：输出ONNX模型文件。

      获得StarNet_MobileNetV3_sim_opt_dybs.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。

      atc --framework=5 \
          --model=./StarNet_MobileNetV3_sim_opt_dybs.onnx \
          --output=./StarNet_MobileNetV3_bs${batchsize} \
          --input_format=NCHW \
          --input_shape="x:${batchsize},3,32,100" \
          --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。

        ${batchsize}表示om模型可支持不同batch推理，可取值为：1，4，8，16，32，64。 运行成功后生成StarNet_MobileNetV3_bs${batchsize}.om模型文件。

4. 开始推理验证。

   a. 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。

   b. 执行推理。

   python3 -m ais_bench \
       --model=./StarNet_MobileNetV3_bs${batchsize}.om \
       --input=./starnet_bindata \
       --output=./ \
       --batchsize=${batchsize}
   

   • 参数说明：

     • --model：om模型路径。
     • --input：bin文件路径。
     • --output：推理结果保存路径。
     • --batchsize：om模型的batch。

   ${batchsize}表示不同batch的om模型。

   推理完成后在当前StarNet_MobileNetV3工作目录生成推理结果。其目录命名格式为xxxx_xx_xx-xx_xx_xx(年_月_日-时_分_秒)，如2022_08_18-06_55_19。

   c. 精度验证。

   执行后处理脚本StarNet_MobileNetV3_postprocess.py，参考命令如下：

   python3 StarNet_MobileNetV3_postprocess.py \
       --config=PaddleOCR/configs/rec/rec_mv3_tps_bilstm_ctc.yml \
       --opt=results=${output_path}
   

   • 参数说明：

     • --config：模型配置文件。
     • --opt：推理结果路径。

   ${output_path}为推理结果的保存路径。

   推理结果通过屏显显示，如下所示：

   {'acc': 0.8002817595091724, 'norm_edit_dis': 0.9157998223044959}
   

   d. 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=./StarNet_MobileNetV3_bs${batchsize}.om \
       --loop=50 \
       --batchsize=${batchsize}
   

   • 参数说明：

     • --model：om模型路径。
     • --loop：推理次数。
     • --batchsize：om模型的batch。

   ${batchsize}表示不同batch的om模型。

   纯推理完成后，在ais_bench的屏显日志中throughput为计算的模型推理性能，如下为batchsize=64时的性能（性能测试会有波动，以实际结果为准）：

   [INFO] throughput 1000*batchsize(64)/NPU_compute_time.mean(24.44709991455078): 2617.8974284760684
   

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	IIIT, SVT, IC03, IC13, IC15, SVTP, CUTE	acc: 0.8002	356.369 fps
300I Pro	4	IIIT, SVT, IC03, IC13, IC15, SVTP, CUTE	acc: 0.8002	1252.858 fps
300I Pro	8	IIIT, SVT, IC03, IC13, IC15, SVTP, CUTE	acc: 0.8002	1930.678 fps
300I Pro	16	IIIT, SVT, IC03, IC13, IC15, SVTP, CUTE	acc: 0.8002	2518.828 fps
300I Pro	32	IIIT, SVT, IC03, IC13, IC15, SVTP, CUTE	acc: 0.8002	2608.216 fps
300I Pro	64	IIIT, SVT, IC03, IC13, IC15, SVTP, CUTE	acc: 0.8002	2617.897 fps