0
代码
代码
Issues
Pull Requests
讨论
Wiki
分析
0
Ii-robot!6847 [PyTorch离线推理]资料整改，替换芯片名称
291a976e创建于 2024年11月26日历史提交

I3D模型PyTorch离线推理指导

概述

​I3D是一种新的基于2D ConvNet 膨胀的双流膨胀3D ConvNet (I3D)。一个I3D网络在RGB输入上训练，另一个在流输入上训练，这些输入携带优化的、平滑的流信息。 模型分别训练了这两个网络，并在测试时将它们的预测进行平均后输出。深度图像分类ConvNets的过滤器和池化内核从2D被扩展为3D，从而可以从视频中学习效果良好的时空特征提取器并改善ImageNet的架构设计，甚至是它们的参数。论文链接

  • 参考实现
url=https://github.com/open-mmlab/mmaction2

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 batch x 10 x 3 x 32 x 256 x 256 batch x clip x channel x time x height x width

    若想使用其他维度大小的输入，请修改i3d_pth2onnx.sh和i3d_onnx2om.sh文件

  • 输出数据

    输出数据 数据类型 大小 数据排布格式
    output FLOAT32 batchsize x 10 x 400 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 22.0.2 Pytorch框架推理环境准备
    CANN 6.0.RC1 -
    Python 3.7.5 创建anaconda环境时指定python版本即可，conda create -n ${your_env_name} python==3.7.5
    PyTorch 1.8.0 -
    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://github.com/open-mmlab/mmaction2.git
cd mmaction2
git checkout dbf5d59fa592818325285b786a0eab8031d9bc80
cd ..

    打Patch，修改代码

    patch -p0 < i3d_nonlocal.patch

    然后在仓库中创建目录。

    cd mmaction2
mkdir -p data/kinetics400
cd ..

  2. 安装依赖，测试环境时可能已经安装其中的一些不同版本的库，故手动测试时不推荐使用该命令安装

    pip3 install -r requirements.txt

准备数据集

  1. 获取原始数据集：运行仓库中的tools/data/kinetics/download_backup_annotations.sh.将会在data/kinetics400目录下创建annotations目录。

    cd ./mmaction2/tools/data/kinetics
bash download_backup_annotations.sh kinetics400
cd ../../..

    最后获取kinetics400验证集。

    数据集 验证集视频
    kinetics400 19796

  2. 数据预处理

    运行预处理脚本。将对videos_val中的所有视频进行抽帧处理，并将结果放置在data/kinetics400/rawframes_val目录下。本脚本采用Opencv对mp4格式的视频，采用4线程抽取256*256大小的RGB帧，输出格式为jpg。

    python3 tools/data/build_rawframes.py data/kinetics400/videos_val data/kinetics400/rawframes_val --task rgb --level 1 --num-worker 4 --out-format jpg --ext mp4 --new-width 256 --new-height 256 --use-opencv

    运行该脚本获取验证所需要的验证文件。将生成kinetics400_label.txt和kinetics400_val_list_rawframes.txt。kinetics400_val_list_rawframes.txt即为验证时需要的文件。

    python3 data/kinetics400/generate_labels.py
cd ..

模型推理

  1. 模型转换

    1. 获取权重文件。

      wget https://download.openmmlab.com/mmaction/recognition/i3d/i3d_nl_dot_product_r50_32x2x1_100e_kinetics400_rgb/i3d_nl_dot_product_r50_32x2x1_100e_kinetics400_rgb_20200814-7c30d5bb.pth

      首先将该权重文件重命名为i3d_nl_dot_product_r50，并在mmaction2目录下创建新目录checkpoints，并保存在checkpoints目录下。

      mkdir -p ./mmaction2/checkpoints
mv i3d_nl_dot_product_r50_32x2x1_100e_kinetics400_rgb_20200814-7c30d5bb.pth ./mmaction2/checkpoints/i3d_nl_dot_product_r50.pth

    2. 导出onnx文件

      1. 使用mmaction2/tools目录下的pytorch2onnx.py导出onnx文件。 运行pytorch2onnx.py脚本

        cd mmaction2
python3 tools/deployment/pytorch2onnx.py configs/recognition/i3d/i3d_nl_dot_product_r50_32x2x1_100e_kinetics400_rgb.py checkpoints/i3d_nl_dot_product_r50.pth --shape 1 10 3 32 256 256 --verify --show --output i3d.onnx --opset-version 11
        • 参数说明：
        • --shape：格式为 batch clip channel time height width。
        • --verify：对比onnx的输出与pth的输出，默认为false。
        • --show：显示模型计算图，默认为false。
        • --output：输出onnx模型文件名。

      2. 使用onnxsimplifier对模型进行简化

        python3 -m onnxsim i3d.onnx i3d_sim.onnx

    3. 使用ATC工具将onnx模型转为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

        本节采用的模型输入为:1x10x3x32x256x256.（$batch $clip $channel $time $height $width ）。实验证明，若想提高模型精度，可增加$clip的值，但性能会相应降低。若想使用其他维度大小的输入，请修改i3d_pth2onnx.sh和i3d_onnx2om.sh文件。由于本模型较大，选择Ascend310的话batch_size只能设置为1，若大于1则会因为 Ascend310 内存不足而报错；选择Ascend310P3的话batch_size可以设置为1，4，8。

        atc --framework=5 --output=./i3d_bs1  --input_format=NCHW  --soc_version=Ascend${chip_name} --model=./i3d_sim.onnx --input_shape="0:1,10,3,32,256,256"
        • 参数说明：
        • --framework：5代表ONNX模型。
        • --model：为ONNX模型文件。
        • --input_format：输入数据的格式。
        • --input_shape：输入数据的shape。
        • --output：输出的OM模型（bs后的数字为batchsize的大小）。
        • --soc_version：处理器型号。

        运行成功后生成i3d_bs1.om模型文件。

  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. 精度验证。

      调用脚本i3d_infer.sh，即可获取top1_acc，top5_acc和mean_acc。

      mv ../i3d_inference.py ./
python i3d_inference.py ./configs/recognition/i3d/i3d_nl_dot_product_r50_32x2x1_100e_kinetics400_rgb.py --eval top_k_accuracy mean_class_accuracy --out result.json --batch_size 1 --model ./i3d_bs1.om --device_id 0

    3. 性能验证。

      可使用ais_bench推理工具的纯推理模型验证不同batch_size的om模型的性能，参考命令如下：

      cd ..
python3 -m ais_bench --model=i3d_bs1.om

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，由于本模型较大，310P3只测试batch_size为1，4，8情况下的精度与性能

芯片型号 Batch Size 数据集 精度TOP1 精度TOP5 性能
300I Pro 1 kinetics400 70.03 89.51 14.39
300I Pro 4 kinetics400 70.03 89.51 14.28
300I Pro 8 kinetics400 70.03 89.51 14.15