# WDSR 模型-推理指导
概述
Wdsr是对EDSR进行改进，去除了冗余的卷积层，同时也改造了resblock。从而可以在同样计算开销的前提下，能够有更好的性能。
-
参考论文：
-
参考实现：
url=https://github.com/ychfan/wdsr commit_id=b78256293c435ef34e8eab3098484777c0ca0e10
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 RGB_FP32 batchsize x 3 x 1020 x1020 NCHW -
输出数据
输出数据 数据类型 大小 数据排布格式 out_image RGB_FP32 batchsize x 3 x 2040 x 2040 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 1.0.17 Pytorch框架推理环境准备 CANN 6.0.RC1 - Python 3.7.5 - PyTorch 1.12.1 - 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
-
获取本仓源码
-
获取开源模型代码
git clone https://github.com/ychfan/wdsr.git -b master cd wdsr git reset --hard b78256293c435ef34e8eab3098484777c0ca0e10 cd .. -
安装必要依赖。
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）
下载DIV2K数据集
Validation Data (HR images)和Validation Data Track 1 bicubic downscaling x2 (LR images)两个压缩包，新建data/DIV2K文件夹，将两个压缩包解压至该文件夹中。data/DIV2K/ |-- DIV2K_valid_HR | |-- 0801.png | |-- 0802.png | |-- 0803.png | |-- ...... |-- DIV2K_valid_LR_bicubic | `-- X2 | |-- 0801x2.png | |-- 0802x2.png | |-- 0803x2.png | |-- ... -
数据预处理，将原始数据集转换为模型的输入数据。
执行 wdsr_preprocess.py 脚本，完成数据预处理。
python3 wdsr_preprocess.py --lr_path ./data/DIV2K/DIV2K_valid_LR_bicubic/X2/ --hr_path ./data/DIV2K/DIV2K_valid_HR/ --save_lr_path ${prep_data} --width 1020 --height 1020 --scale 2参数说明：
- --参数1：为低分辨率数据集相对路径。
- --参数2：为高分辨率数据集的相对路径。
- --参数3：为生成数据集文件的保存路径。
- --参数4：缩放大小。
运行成功后，在当前目录生成DIV2K_valid_LR_bicubic_bin/X2/数据集。
模型推理
-
模型转换。
使用PyTorch将模型权重文件.pth转换为.onnx文件，再使用ATC工具将.onnx文件转为离线推理模型文件.om文件。
-
获取权重文件 epoch_30.pth。
wget https://github.com/ychfan/wdsr/files/4176974/wdsr_x2.zip unzip wdsr_x2.zip -
导出onnx文件。
-
使用wdsr_pthr2onnx.py导出动态batch的onnx文件。
python3 wdsr_pth2onnx.py --ckpt epoch_30.pth --model wdsr --output_name wdsr.onnx --scale 2参数说明：
- --参数1：权重文件。
- --参数2：要导入的模型名称。
- --参数3：输出onnx文件的名称。
- --参数4：缩放大小。
-
-
使用ATC工具将ONNX模型转OM模型。
-
配置环境变量。
source /usr/local/Ascend/ascend-toolkit/set_env.sh -
执行命令查看芯片名称（${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。
# bs = [1, 4, 8, 16, 32, 64] atc --framework=5 --model=wdsr.onnx --output=wdsr_bs${bs} --input_format=NCHW --input_shape="image:${bs},3,1020,1020" --log=debug --soc_version=Ascend${chip_name}运行成功后生成wdsr_bs${bs}.om模型文件。
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。
-
-
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=wdsr_bs${bs}.om --batchsize=${bs} \ --input ${prep_data} --output result --output_dirname result_bs${bs} --outfmt BIN参数说明：
- --model：om模型路径。
- --batchsize：批次大小。
- --input：输入数据所在路径。
- --output：推理结果输出路径。
- --output_dirname：推理结果输出子文件夹。
- --outfmt：推理结果输出格式
-
-
精度验证。
调用脚本与数据集标签val_label.txt比对，可以获得Accuracy数据，结果保存在result.json中。
python3 wdsr_postprocess.py --bin_data_path ./result/result_bs${bs}/ --dataset_path ./data/DIV2K/DIV2K_valid_HR/ --result result_bs${bs}.txt --scale 2参数说明：
- --参数1：生成推理结果所在路径。
- --参数2：高分辨率图片所在位置。
- --参数3：生成结果文件。
- --参数4：缩放图片大小。
-
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=wdsr_bs${bs}.om --loop=500 --batchsize=${bs}参数说明：
- --model：om模型路径。
- --loop：纯推理循环次数。
- --batchsize：批次大小。
模型推理性能&精度
调用ACL接口推理计算，wdsr模型的性能和精度参考下列数据。
| 芯片型号 | Batch Size | 数据集 | 开源精度 | 精度指标（PSNR） |
|---|---|---|---|---|
| 300I Pro | 1 | DIV2K | 34.76 | 34.7537 |
| 芯片型号 | Batch Size | 性能（FPS） |
|---|---|---|
| 300I Pro | 1 | 13.09 |
| 300I Pro | 4 | 12.20 |
| 300I Pro | 8 | 12.04 |
| 300I Pro | 16 | 10.03 |
| 300I Pro | 32 | 10.05 |
| 300I Pro | 64 | 注：超出设备内存 |