TransPose模型-推理指导
概述
TransPose是一种基于CNN特征提取器、Transformer编码器和预测头的人体姿态估计模型。给定一幅图像，Transformer中内置的注意力层可以有效地捕捉关键点之间的长距离空间关系，并解释预测的关键点位置高度依赖的依赖性。
-
参考实现：
url=https://github.com/yangsenius/TransPose.git commit_id=dab9007b6f61c9c8dce04d61669a04922bbcd148 model_name=TransPose-R-A3
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 192 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 17 x 64 x 48 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 5.1.RC2 - Python 3.7.5 - PyTorch 1.6.0 - 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/yangsenius/TransPose.git cd TransPose git reset dab9007b6f61c9c8dce04d61669a04922bbcd148 --hard patch -p1 < ../TransPose.patch cd .. -
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COCO2017验证集。用户需自行获取数据集（或给出明确下载链接），将文件夹解压并上传数据集到源码包路径下。目录结构如下：
|-- data |-- coco |-- images | |-- val2017 | |-- 000000000139.jpg | |-- 000000000285.jpg | |-- 000000000632.jpg | |-- ... |-- annotations |-- person_keypoints_train2017.json |-- person_keypoints_val2017.json下载与解压，请参考：
mkdir -p data/coco/ cd data/coco/ wget http://images.cocodataset.org/zips/val2017.zip wget http://images.cocodataset.org/annotations/annotations_trainval2017.zip mkdir images unzip val2017.zip -d images unzip annotations_trainval2017.zip cd ../../ -
数据预处理，将原始数据集转换为模型输入的数据。
python3 TransPose_preprocess.py --output ./prep_data --output_flip ./prep_data_flip参数说明：
- --output：输出的二进制文件（.bin）所在路径。
- --output_flip：输出的二进制文件flip（.bin）所在路径。
运行成功后，会在当前目录下生成 prep_data 与 prep_data_flip 目录，用于保存生成的bin文件。
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。
获取权重文件“tp_r_256x192_enc3_d256_h1024_mh8.pth”，将文件放入models文件夹内。
mkdir models wget https://github.com/yangsenius/TransPose/releases/download/Hub/tp_r_256x192_enc3_d256_h1024_mh8.pth -P models -
导出onnx文件。
-
使用TransPose_pth2onnx.py导出onnx文件。
python3 TransPose_pth2onnx.py --weights models/tp_r_256x192_enc3_d256_h1024_mh8.pth获得tp_r_256x192_enc3_d256_h1024_mh8.onnx文件。
-
优化ONNX文件。
python3 -m onnxsim models/tp_r_256x192_enc3_d256_h1024_mh8.onnx models/tp_r_256x192_enc3_d256_h1024_mh8_sim.onnx --dynamic-input-shape获得tp_r_256x192_enc3_d256_h1024_mh8_sim.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（${chip_name}）。
npu-smi info #该设备芯片名为Ascend310P3 （自行替换） 回显如下： +-------------------+-----------------+------------------------------------------------------+ | NPU Name | Health | Power(W) Temp(C) Hugepages-Usage(page) | | Chip Device | Bus-Id | AICore(%) Memory-Usage(MB) | +===================+=================+======================================================+ | 0 310P3 | OK | 15.8 42 0 / 0 | | 0 0 | 0000:82:00.0 | 0 1074 / 21534 | +===================+=================+======================================================+ | 1 310P3 | OK | 15.4 43 0 / 0 | | 0 1 | 0000:89:00.0 | 0 1070 / 21534 | +===================+=================+======================================================+ -
执行ATC命令。
atc --framework=5 --model=models/tp_r_256x192_enc3_d256_h1024_mh8_sim.onnx --output=models/tp_r_256x192_enc3_d256_h1024_mh8_bs1 --input_format=NCHW --input_shape="input:1,3,256,192" --fusion_switch_file=fusion_switch.cfg --log=error --soc_version=Ascend${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。
- --log：日志级别。
- --soc_version：处理器型号。
运行成功后生成tp_r_256x192_enc3_d256_h1024_mh8_bs1.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。
python3 -m ais_bench --model models/tp_r_256x192_enc3_d256_h1024_mh8_bs{batchsize}.om --input prep_data/ --output prep_data_result/ python3 -m ais_bench --model models/tp_r_256x192_enc3_d256_h1024_mh8_bs{batchsize}.om --input prep_data_flip --output prep_data_flip_result/-
参数说明：
- --model：OM模型路径
- --input：存放预处理 bin 文件的目录路径
- --output：推理输出文件夹
-
-
精度验证。
调用脚本与数据集标签比对，可以获得Accuracy数据。
python3 TransPose_postprocess.py --dump_dir ./prep_data_result/${output} --dump_dir_flip ./prep_data_flip_result/${output}-
参数说明：
- --dump_dir：生成推理结果所在路径。
- --dump_dir_flip：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 -m ais_bench --model=${om_model_path} --loop=20 --batchsize=${batch_size}- 参数说明：
- --model：om模型路径
- --batchsize：batch大小
- 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 | COCO2017 | AP: 73.7% | 484.04 |
| 300I Pro | 4 | COCO2017 | AP: 73.7% | 500.14 |
| 300I Pro | 8 | COCO2017 | AP: 73.7% | 485.39 |
| 300I Pro | 16 | COCO2017 | AP: 73.7% | 458.66 |
| 300I Pro | 32 | COCO2017 | AP: 73.7% | 437.97 |
| 300I Pro | 64 | COCO2017 | AP: 73.7% | 475.99 |
公网地址说明
代码涉及公网地址参考 public_address_statement.md