AlignedReID模型-推理指导

概述
- 输入输出数据
推理环境准备
快速上手
模型推理性能&精度

概述

AlignedReID 算法提出了 动态对齐（Dynamic Alignment） 和 协同学习（Mutual Learning） 方法，该算法在部分数据集上首次在行人再识别问题上超越了人类表现。

参考实现：

url=https://github.com/huanghoujing/AlignedReID-Re-Production-Pytorch.git
branch=master
commit_id=2e2d45450d69a3a81e15d18fe85c2eebbde742e4

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 FLOAT32 batchsize x 3 x 256 x 128 NCHW
输出数据

输出数据大小数据类型数据排布格式

global_feat batch_size x class FLOAT32 ND

local_feat batch_size x class FLOAT32 ND

logits batch_size x classs FLOAT32 ND

输入数据	数据类型	大小	数据排布格式
image	FLOAT32	batchsize x 3 x 256 x 128	NCHW

输出数据	大小	数据类型	数据排布格式
global_feat	batch_size x class	FLOAT32	ND
local_feat	batch_size x class	FLOAT32	ND
logits	batch_size x classs	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	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

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/face/AlignedReID              # 切换到模型的代码仓目录

安装依赖。
```
pip3 install -r requirements.txt
```

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/huanghoujing/AlignedReID-Re-Production-Pytorch.git 
cd AlignedReID-Re-Production-Pytorch
git reset --hard 2e2d45450d69a3a81e15d18fe85c2eebbde742e4
patch -p1 < ../all.patch
cd ..

准备数据集

获取原始数据集。

获取 Market1501下载链接中的文件夹 market1501 ，放在当前目录下，解压 market1501 中的 images.tar 压缩文件:
```
cd market1501
tar -xvf images.tar
```
数据目录结构请参考：
```
├──market1501  
   │──images
   │──partitions.pkl
```
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 AlignedReID_preprocess.py ./market1501/images ./prep_bin
```
- 参数说明：第一个参数为数据集文件位置；第二个参数为输出文件位置。

模型推理

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。

获取权重文件，提取码：nrp2
导出onnx文件。
1. 使用脚本导出onnx文件。
  
  运行AlignedReID_pth2onnx.py脚本。
```
# pth转换为ONNX
python3 AlignedReID_pth2onnx.py ./Market1501_AlignedReID_300_rank1_8441.pth ./AlignedReID_bs.onnx
```
  - 参数说明：第一个参数为模型权重文件路径，第二个参数为导出onnx文件路径。
  获得文件AlignedReID_bs.onnx。

使用ATC工具将ONNX模型转OM模型。

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)》。

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                            |
+===================+=================+======================================================+

执行ATC命令。
```
# 以bs1为例
atc --framework=5 --model=AlignedReID_bs.onnx --output=AlignedReID_bs1 --input_format=NCHW --input_shape="image:1,3,256,128" --log=debug --soc_version=Ascend${chip_name} --out_nodes="Gemm_133:0;Reshape_127:0;Transpose_132:0"
```
- 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。
  运行成功后生成模型文件AlignedReID_bs1.om。

开始推理验证。
1. 使用ais-bench工具进行推理。
  
  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 AlignedReID_bs1.om --input ./prep_bin/ --output ./results --output_dirname bs1 --batchsize 1 --outfmt TXT
```
  - 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/bs1下。
3. 精度验证。
调用AlignedReID_acc_eval.py脚本与数据集标签比对，获得Accuracy数据。
```
python3 AlignedReID_acc_eval.py ./results/bs1 ./market1501/partitions.pkl 1
```
- 参数说明：第一个参数为推理结果路径，第二个参数为数据集对应的GT文件路径，第三个参数表示第二个输出结果为key，对应的idx为1

模型推理性能&精度

精度参考下列数据:

精度（re-ranking前）：

accuracy	GPU	300I PRO
CMC1	81%	80.55%

性能：

模型	基准性能	300I Pro
AlignedReID bs1	1016.169286	1391.37
AlignedReID bs4	2238.839386	3939.99
AlignedReID bs8	2517.504524	4723.63
AlignedReID bs16	2737.996026	4241.01
AlignedReID bs32	3185.432007	5293.70
AlignedReID bs64	3308.1090	3635.25