291a976e创建于 2024年11月26日历史提交

Centroids-reid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

Centroids-reid是一种图像检索任务包括从一组图库（数据库）图像中找到与查询图像相似的图像。这样的系统用于各种应用，例如行人重新识别(ReID)或视觉产品搜索。

参考实现：

url=https://github.com/mikwieczorek/centroids-reid
commit_id=a1825b7a92b2a8d5e223708c7c43ab58a46efbcf
model_name=centroids-reid

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 256 x 128 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 2048 ND

输入数据	数据类型	大小	数据排布格式
input	RGB_FP32	batchsize x 3 x 256 x 128	NCHW

输出数据	数据类型	大小	数据排布格式
output1	FLOAT32	batchsize x 2048	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	-
PyTorch	1.7.0	-
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://github.com/mikwieczorek/centroids-reid.git  
cd ./centroids-reid
git reset --hard a1825b7a92b2a8d5e223708c7c43ab58a46efbcf 
patch -p2 < ../centroid-reid.patch
cd ..
mkdir models

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

准备数据集

获取原始数据集。（解压命令参考tar –xvf *.tar与 unzip *.zip）

本模型支持DukeMTMC-reID数据集，提取码为：eufe。下载后放在当前主目录下，目录结构如下：
```
DukeMTMC-reID
├── bounding_box_test      
└── query             
```

数据预处理，将原始数据集转换为模型输入的数据。

执行centroid-reid_preprocess.py脚本，完成预处理。

mkdir -p DukeMTMC-reID/bin_data/gallery
mkdir -p DukeMTMC-reID/bin_data/query
python ./centroid-reid_preprocess.py  \
       --src_path DukeMTMC-reID/bounding_box_test  \
       --save_path DukeMTMC-reID/bin_data/gallery

python ./centroid-reid_preprocess.py  \
       --src_path DukeMTMC-reID/query \
       --save_path DukeMTMC-reID/bin_data/query

参数说明：
- --src_path：数据集地址。
- --save_path：预处理结果保存在相应的文件夹。

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。

wget https://ascend-repo-modelzoo.obs.cn-east-2.myhuaweicloud.com/model/1_PyTorch_PTH/Centroids-reid/PTH/resnet50-19c8e357.pth
wget https://ascend-repo-modelzoo.obs.cn-east-2.myhuaweicloud.com/model/1_PyTorch_PTH/Centroids-reid/PTH/dukemtmcreid_resnet50_256_128_epoch_120.ckptwget

将两个权重文件都放置在models文件目录下

导出onnx文件。

使用centroid-reid_pth2onnx.py导出onnx文件。

运行centroid-reid_pth2onnx.py脚本。

python ./centroid-reid_pth2onnx.py  \
       --input_file ./models/dukemtmcreid_resnet50_256_128_epoch_120.ckpt \
       --output_file centroid-reid_r50_bs${bs}.onnx  \
       --batch_size ${bs}

获得centroid-reid_r50_bs${bs}.onnx文件。

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

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。
```
atc --framework=5 \
    --model=centroid-reid_r50_bs{bs}.onnx \
    --output=centroid-reid_r50_bs${bs} \
    --input_shape="input:${bs},3,256,128" \
    --input_format=NCHW \
    --soc_version=${chip_name}
```
- 参数说明：
  - --model：为ONNX模型文件。
  - --framework：5代表ONNX模型。
  - --output：输出的OM模型。
  - --input_format：输入数据的格式。
  - --input_shape：输入数据的shape。
  - --soc_version：处理器型号。
  运行成功后生成centroid-reid_r50_bs${bs}.om模型文件。

开始推理验证。

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。

执行推理。

mkdir -p DukeMTMC-reID/result/gallery
mkdir -p DukeMTMC-reID/result/query
#gallery 
python -m ais_bench \
        --model ./centroid-reid_r50_bs${bs}.om \
        --input ./DukeMTMC-reID/bin_data/gallery  \
        --output ./DukeMTMC-reID/result  \
        --output_dirname gallery \
        --outfmt TXT \
        --batchsize ${bs}
#query 
python -m ais_bench \
		--model ./centroid-reid_r50_bs${bs}.om  \
		--input ./DukeMTMC-reID/bin_data/query  \
		--output ./DukeMTMC-reID/result  \
    --output_dirname query \
		--outfmt TXT  \
		--batchsize ${bs}

参数说明：
- model：om文件路径。
- input：预处理数据
- output：推理结果保存路径
- outfmt：推理输出类型

精度验证。

调用脚本centroid-reid_postprocess.py计算精度
```
python ./centroid-reid_postprocess.py \
  	   --dataset_dir ./DukeMTMC-reID/result/ \
  	   --query_path query \
  	   --gallery_path  gallery
```
- 参数说明：
  - dataset_dir：推理结果主目录
  - query_path：推理结果query目录
  - gallery_path：推理结果gallery目录
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：
```
 python -m ais_bench --model=${om_model_path} --loop=100 --batchsize=${batch_size}
```
- 参数说明：
  - --model：模型地址
  - --batchsize：batchsize大小

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	DukeMTMC-reID	96.8%	1542
300I Pro	4	DukeMTMC-reID	96.8%	3715
300I Pro	8	DukeMTMC-reID	96.8%	4287
300I Pro	16	DukeMTMC-reID	96.8%	3454
300I Pro	32	DukeMTMC-reID	96.8%	3571
300I Pro	64	DukeMTMC-reID	96.8%	2231