SRGAN模型-推理指导

• 概述

  • 输入输出数据

• 推理环境准备

• 快速上手

  • 获取源码
  • 准备数据集
  • 模型推理

• 模型推理性能&精度

---

概述

基于PyTorch实现SRGAN生成对抗网络的照片级真实感单图像超分辨率。

• 论文参考： Ledig C, Theis L, Huszár F, et al. Photo-realistic single image super-resolution using a generative adversarial network[C]//Proceedings of the IEEE conference on computer vision and pattern recognition. 2017: 4681-4690.

• 参考实现：

  url=https://github.com/leftthomas/SRGAN
  branch=master 
  commit_id=961e557de8eaeec636fbe1f4276f5f623b5985d4 
  

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 -1 x -1	NCHW

• 输出数据

  输出数据	数据类型	大小	数据排布格式
  output	FLOAT32	batchsize x 3 x 280 x 280	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	-
  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

1. 获取源码(可以不下载开源仓代码)。

   git clone https://github.com/leftthomas/SRGAN
   cd SRGAN
   git checkout master
   git reset --hard 961e557de8eaeec636fbe1f4276f5f623b5985d4
   cd ..
   

   目录结构如下：

   ├──pytorch_ssim
   ├──srgan_prepreprocess.py
   ├──pix2pixhd_preprocess.py
   ├──pix2pixhd_postprocess.py
   ├──pix2pixhd_pth2onnx.py
   ├──estimate_per.py
   ├──srgan_om_infer.py
   ├──eidt_onnx.py
   ├──model.py
   ├──LICENCE
   ├──requirements.txt
   ├──README.md
   ├──modelzoo_level.txt
   

2. 安装依赖。

   pip3 install -r requirements.txt
   

准备数据集

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

   本模型支持Set5验证集。用户需自行获取数据集，可将数据集放置于任意路径下以"./datasets"将包路径下。目录结构如下：

   ├──./datasets
         ├──Set5    //原始的只有5张数据集图片的路径。
            ├── ***.png
   

2. 数据预处理，将原始数据集转换为模型输入的数据。

   依次执行脚本，完成预处理。

   1. 对图片进行缩放处理(如果下载的数据集中有缩小2倍的，可以不需要此步骤)。

      python3 srgan_prepreprocess.py --src_path=./datasets/Set5/  --result_path=./datasets/Set5_X2/
      

      • 参数说明：
        • --src_path：原始的只有5张数据集图片的路径。
        • --result_path：为了验证数据集效果，缩放2倍的图片路径。

   2. 对图片进行预处理

      python3 srgan_preprocess.py  --src_path=./datasets/Set5_X2/ --save_path=./preprocess_data
      

      • 参数说明：
        • --src_path：缩放2倍的图片路径。
        • --save_path：预处理的完成后的路径 。

模型推理

1. 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。

   1. 获取权重文件。

      下载权重文件 netG_best.pth(该权重为放大2倍的权重),可放置于任意位置，以"./"为例。

   2. 导出onnx文件。

      1. 使用srgan_pth2onnx.py导出onnx文件。

         运行srgan_pth2onnx.py脚本。

         python3 srgan_pth2onnx.py --src_path=./netG_best.pth --result_path=./srgan.onnx
         

         • 参数说明：
           • --src_path：为ONNX模型文件。
           • --result_path：5代表ONNX模型。

         获得srgan.onnx文件。

      2. 优化ONNX文件(使用auto-optimizer工具对onnx模型修改)。

         python3 eidt_onnx.py --src_path=./srgan.onnx --result_path=./srgan_fix.onnx
         

         • 参数说明：
           • --src_path：为ONNX模型文件。
           • --result_path：5代表ONNX模型。

         获得srgan_fix.onnx文件。

   3. 使用ATC工具将ONNX模型转OM模型。

      1. 配置环境变量。

         source /usr/local/Ascend/ascend-toolkit/set_env.sh
         

      2. 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                            |
         +===================+=================+======================================================+
         

      3. 执行ATC命令。

         atc --model=./srgan_fix.onnx --framework=5 --output=./srgan_bs1 --input_format=NCHW --input_shape="lrImage:1,3,-1,-1" --dynamic_image_size="140,140;256,256;172,114;128,128;144,144" --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。
           • --dynamic_image_size：数据集图片的高和宽

           运行成功后生成srgan_bs1.om模型文件。

2. 开始推理验证。

   1. 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。

   2. 执行推理。

      python3 estimate_per.py   --interpreter='python3 -m ais_bench' --om_path=./srgan_bs1.om --src_path=./preprocess_data/ --save_path=./result/bs1  --batchsize=1 --device=0  
      

      • 参数说明：

        • --interpreter：NPU推理工具。
        • --om_path：om模型的路径。
        • --src_path：预处理后的数据集路径。
        • --save_path：保存后的数据集路径。
        • --batchsize：批大小。
        • --device：NPU设备ID。

        推理后的输出默认在当前目录./result/bs1下。

   3. 精度验证。

      调用脚本与真实数据集图片比对，可以获得Accuracy数据，结果显示到终端界面。

      python3 srgan_om_infer.py --hr_path=./datasets/Set5/ --result_path=./result/bs1/ --save_path=./result/bs1_fer_om_res
      

      • 参数说明：
        • --hr_path：数据集原图片路径。
        • --result_path：om模型的推理结果路径。
        • --save_path：om模型推理结果复原图片路径。

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	Set5	PSNR: 33.4391;SSIM: 0.9308	379.036
300I Pro	4	Set5	PSNR: 33.4391;SSIM: 0.9308	374.082
300I Pro	8	Set5	PSNR: 33.4391;SSIM: 0.9308	380.647
300I Pro	16	Set5	PSNR: 33.4391;SSIM: 0.9308	377.447
300I Pro	32	Set5	PSNR: 33.4391;SSIM: 0.9308	379.026
300I Pro	64	Set5	PSNR: 33.4391;SSIM: 0.9308	370.578