DnCNN模型-推理指导
概述
DnCNN作为去噪神经网络非常出名，这个网络强调了residual learning（残差学习）和batch normalization（批量标准化）在信号复原中相辅相成的作用，可以在较深的网络的条件下，依然能带来快的收敛和好的性能。这个算法可以解决处理未知噪声水平的高斯去噪、超分辨率、JPEG去锁等多个领域的问题。
-
参考实现：
url=https://github.com/SaoYan/DnCNN-PyTorch commit_id=6b0804951484eadb7f1ea24e8e5c9ede9bea485b code_path=https://gitcode.com/ascend/ModelZoo-PyTorch/blob/master/ACL_PyTorch/contrib/cv/image_process/DnCNN model_name=DnCNN
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 FP32 batchsize x 1 x 481 x 481 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 1 x 481 x 481 NCHW
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 22.0.3 Pytorch框架推理环境准备 CANN 6.0.RC1 - 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
-
获取源码。
git clone https://github.com/SaoYan/DnCNN-PyTorch -
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）
该模型使用官网提供的数据集进行验证，存放路径为源码路径下的的data目录。
-
数据预处理，将原始数据集转换为模型输入的数据。
执行data_preprocess.py脚本，完成预处理。
python3.7 data_preprocess.py ./DnCNN-PyTorch/data ISource INoisy-
参数说明：
./DnCNN-PyTorch/data，验证集文件所在路径
ISource，输出的预处理后标签数据集路径
INoisy，输出的预处理后数据集路径
-
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。
-
导出onnx文件。
-
使用DnCNN_pth2onnx.py脚本。
运行DnCNN_pth2onnx.py脚本。
python3.7 DnCNN_pth2onnx.py net.pth DnCNN-S-15.onnx获得DnCNN-S-15.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/...... -
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=./DnCNN-S-15.onnx --input_format=NCHW --input_shape="actual_input_1:{batch size},1,481,481" --output=DnCNN-S-15_bs{batch size} --log=debug --soc_version=Ascend310P3 示例 atc --framework=5 --model=./DnCNN-S-15.onnx --input_format=NCHW --input_shape="actual_input_1:1,1,481,481" --output=DnCNN-S-15_bs1 --log=debug --soc_version=Ascend310P3-
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onnx_alexnet_bs1.om模型文件，batch size为4、8、16、32、64的修改对应的batch size的位置即可。
-
-
-
-
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。
python3 -m ais_bench --model ./DnCNN-S-15_bs{batch size}.om --input ./INoisy/ --output ./output --output_dirname subdir --outfmt 'BIN' --batchsize {batch size} 示例 python3 -m ais_bench --model ./DnCNN-S-15_bs1.om --input ./INoisy/ --output ./output --output_dirname subdir --outfmt 'BIN' --batchsize 1-
参数说明：
- model：需要推理om模型的路径。
- input：模型需要的输入bin文件夹路径。
- output：推理结果输出路径。
- outfmt：输出数据的格式。
- output_dirname:推理结果输出子文件夹。
推理后的输出默认在当前目录output的subdir下。
-
-
精度验证。
调用postprocess.py脚本推理结果进行PSRN计算，结果会打印在屏幕上。
python3.7 postprocess.py ./output/subdir-
参数说明：
- ./output/subdir：为生成推理结果所在路径
-
-
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：
python3.7 -m ais_bench --model=./DnCNN-S-15_bs{batch size}.om --loop=1000 --batchsize={batch size} 示例 python3.7 -m ais_bench --model=./DnCNN-S-15_bs1.om --loop=1000 --batchsize=1- 参数说明：
- --model：需要验证om模型所在路径
- --batchsize：验证模型的batch size，按实际进行修改
- 参数说明：
-
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 | 官网提供 | 31.53 | 128 |
| 300I Pro | 4 | 官网提供 | 31.53 | 138 |
| 300I Pro | 8 | 官网提供 | 31.53 | 153 |
| 300I Pro | 16 | 官网提供 | 31.53 | 166 |
| 300I Pro | 32 | 官网提供 | 31.53 | 142 |
| 300I Pro | 64 | 官网提供 | 31.53 | 142 |