RCAN 模型推理指导

概述
- 输入输出数据
推理环境
快速上手
性能&精度

概述

RCAN设计了一个残差中的残差（RIR）结构来构造深层网络，每个 RIR 结构由数个残差组（RG）以及长跳跃连接（LSC）组成，每个 RG 则包含一些残差块和短跳跃连接（SSC）。RIR 结构允许丰富的低频信息通过多个跳跃连接直接进行传播，使主网络专注于学习高频信息。此外，我们还提出了一种通道注意力机制（CA），通过考虑通道之间的相互依赖性来自适应地重新调整特征。解决了过深的网络却难以训练。低分辨率的输入以及特征包含丰富的低频信息，但却在通道间被平等对待，因此阻碍了网络的表示能力的问题。

论文
Image Super-Resolution Using Very Deep Residual Channel Attention Networks
Yulun Zhang, Kunpeng Li, Kai Li, Lichen Wang, Bineng Zhong, Yun Fu
参考实现：
url = https://github.com/yulunzhang/RCAN
branch = master
commit_id = 3339ebc59519c3bb2b5719b87dd36515ec7f3ba7

输入输出数据

模型输入

input-name data-type data-format input-shape

input RGB_FP32 NCHW batchsize x 3 x 256 x 256
模型输出

output-name data-type data-format output-shape

output1 RGB_FP32 NCHW batchsize x 3 x 512 x 512

input-name	data-type	data-format	input-shape
input	RGB_FP32	NCHW	batchsize x 3 x 256 x 256

output-name	data-type	data-format	output-shape
output1	RGB_FP32	NCHW	batchsize x 3 x 512 x 512

推理环境

该模型推理所需配套的软件如下：

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：请根据推理卡型号与 CANN 版本选择相匹配的固件与驱动版本。

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	-

快速上手

获取源码

安装推理过程所需的依赖
```
pip install -r requirements.txt
```

获取开源仓源码

git clone https://github.com/yulunzhang/RCAN.git -b master
cd RCAN
git checkout 3339ebc59519c3bb2b5719b87dd36515ec7f3ba7
cd ..

准备数据集

获取原始数据集
该模型使用 Set5 的5张验证集图片进行精度验证，可前往 Hugging Face 自行下载Set5_HR.tar.gz和Set5_LR_x2.tar.gz，然后将两个压缩包内的图片分别解压到Set5/HR和Set5/LR目录。按以上操作获取数据集并解压后，数据的目录结构如下:

├── Set5/
    ├── HR/
        ├── baby.png
        ├── bird.png
        ├── butterfly.png
        ├── head.png
        └── woman.png
    └── LR/
        ├── baby.png
        ├── bird.png
        ├── butterfly.png
        ├── head.png
        └── woman.png

数据预处理
执行前处理脚本将原始数据转换为OM模型输入需要的bin/npy文件。
```
python rcan_preprocess.py -s ./Set5/LR -o ./prep_data -sz 256
```
参数说明：
- -s/--source: 原始数据路径
- -o/--output: 保存输出bin文件的目录路径
- -sz/--size: 统一大小后的尺寸，默认为256
预处理程序会对原始图片进行pad和缩放操作，从而将不同shape的图片处理成同一大小。上述命令运行结束后，./prep_data目录下会生成一个pad_info.json文件来记录在预处理中图片的pad和缩放信息，用于后处理时进行图像裁剪。此外，./prep_data目录下目录下还会生成一个名为bin的子目录，用于存放预处理后生成的bin文件。

模型转换

PyTroch 模型转 ONNX 模型

进入 Dropbox / BaiduYun / GoogleDrive 任意一个下载通道，下载开源仓提供的预训练权重到当前目录，解压缩。该推理任务只需用到 models_ECCV2018RCAN/RCAN_BIX2.pt。可通过md5sum值(f567f8560fde71ba0973a7fe472a42f2)来检查预训练权重文件的完整性。

然后执行执行以下命令生成 ONNX 模型：
```bash
python rcan_pth2onnx.py --pth ./models_ECCV2018RCAN/RCAN_BIX2.pt --onnx ./rcan.onnx --shape 256 256 --scale 2
```
参数说明：
+ --pth: 预训练权重文件的路径
+ --onnx: 生成ONNX模型的保存路径
+ --shape: 模型输入数据的形状，须与预处理时的--size保持一致
+ --scale: 模型输出图片相对于输入图片的放大倍数，默认为2

ONNX 模型转 OM 模型

step1: 查看NPU芯片名称 ${chip_name}

npu-smi info

例如该设备芯片名为 310P3，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                            |
+===================+=================+======================================================+

step2: ONNX 模型转 OM 模型

# 配置环境变量
source /usr/local/Ascend/ascend-toolkit/set_env.sh

chip_name=310P3  # 根据 step1 的结果设值
bs=1  # 根据需要自行设置batchsize

# 执行 ATC 进行模型转换
atc --framework=5 \
    --model=rcan.onnx \
    --output=rcan_bs${bs} \
    --input_format=NCHW \
    --input_shape="image:${bs},3,256,256" \
    --log=debug \
    --soc_version=Ascend${chip_name}

参数说明：

--framework: 5代表ONNX模型
--model: ONNX模型路径
--input_shape: 模型输入数据的shape
--input_format: 输入数据的排布格式
--output: OM模型路径，无需加后缀
--log：日志级别
--soc_version: 处理器型号

推理验证

对数据集推理
该离线模型使用ais_infer作为推理工具，请参考安装文档安装推理后端包aclruntime与推理前端包ais_bench。完成安装后，执行以下命令预处理后的数据进行推理。
```
python -m ais_bench \
    --model rcan_bs${bs}.om \
    --input ./prep_data/bin/ \
    --output ./ \
    --output_dirname result_bs${bs} \
    --batchsize ${bs}
```
参数说明：
- --model OM模型路径
- --input 存放预处理后数据的目录路径
- --output 用于存放推理结果的父目录路径
- --output_dirname 用于存放推理结果的子目录名，位于--output指定的目录下
- --batchsize 模型每次输入bin文件的数量
性能验证
对于性能的测试，需要注意以下三点：
- 测试前，请通过npu-smi info命令查看NPU设备状态，请务必在NPU设备空闲的状态下进行性能测试。
- 为了避免测试过程因持续时间太长而受到干扰，建议通过纯推理的方式进行性能测试。
- 使用吞吐率作为性能指标，单位为 fps，反映模型在单位时间（1秒）内处理的样本数。
```
python -m ais_bench --model rcan_bs${bs}.om --batchsize ${bs} --loop 100
```
执行完纯推理命令，程序会打印出与性能相关的指标，找到以关键字 [INFO] throughput 开头的一行，行尾的数字即为 OM 模型的吞吐率。
精度验证

执行后处理脚本，根据推理结果计算OM模型的精度：
```
python rcan_postprocess.py \
    --infer_results ./result_bs${bs} \
    --pad_info ./prep_data/pad_info.json \
    --hr_images ./Set5/HR \
    --save_dir ./gen_images_bs${bs} \
    --shape 256 256 \
    --scale 2
```
参数说明：
- --infer_results: 存放推理结果的目录路径
- --pad_info: 数据预处理生成的pad信息文件路径
- --hr_images: 存放原始HR图片的目录路径
- --save_dir: 模型输出经后处理后，生成图片的保存目录
- --shape: 模型输入数据的形状，须与预处理时的--size保持一致
- --scale: 模型输出图片相对于输入图片的放大倍数，默认为2，须跟导出ONNX时的--scale参数保持一致
运行成功后，程序会根据推理结果生成放大后的图片，并打印出模型的精度指标：
```
Images generated! path: ./gen_images_bs1
Evaluation of RCAN model
PSNR    38.249656290876096
SSIM    0.9606179588265406
```

性能&精度

在300I PRO设备上，模型精度为 {PSNR=38.25, SSIM=0.9606}，当batchsize设为 1 时OM模型性能最优，达 12.25 fps。

芯片型号	BatchSize	数据集	精度	性能
300I Pro	1	Set5	PSNR=38.25, SSIM=0.9606	12.25 fps
300I Pro	4	Set5	PSNR=38.25, SSIM=0.9606	10.39 fps
300I Pro	8	Set5	PSNR=38.25, SSIM=0.9606	11.08 fps
300I Pro	16	Set5	PSNR=38.25, SSIM=0.9606	11.21 fps
300I Pro	32	Set5	PSNR=38.25, SSIM=0.9606	11.37 fps
300I Pro	64	Set5	PSNR=38.25, SSIM=0.9606	10.96 fps