RDN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

RDN用于图像超分辨率的残差密集网络,主要是提出了网络结构RDB(residual dense blocks)，它本质上就是残差网络结构与密集网络结构的结合。

• 参考实现：

  url=https://github.com/yjn870/RDN-pytorch
  commit_id=f2641c0817f9e1f72acd961e3ebf42c89778a054
  code_path=https://gitcode.com/ascend/ModelZoo-PyTorch/tree/master/ACL_PyTorch/contrib/cv/super_resolution/RDN
  model_name=RDN
  

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 114 x 114	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 3 x 228 x 228	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

1. 获取源码。

   git clone https://github.com/yjn870/RDN-pytorch.git
   

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）

   RDN模型使用Set5验证集的5张图片进行测试，图片存放在/local/RDN/dataset/set5下面。

2. 数据预处理，将原始数据集转换为模型输入的数据。

   执行RDN_preprocess.py脚本，完成预处理。

   python3.7 RDN_preprocess.py --src-path=/local/RDN/dataset/set5 --save-path=./prep_dataset
   
   

   • 参数说明：

     src-path，原始数据验证集（.jpeg）所在路径。

     save-path，输出的二进制文件（.bin）所在路径。

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。

      RDN_x2预训练pth权重文件

   2. 导出onnx文件。

      1. 使用RDN_pth2onnx.py脚本。

         运行RDN_pth2onnx.py脚本。

         python3.7 RDN_pth2onnx.py --input-file=rdn_x2.pth --output-file=rdn_x2.onnx
         

         获得rdn_x2.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/......
         

      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 --framework=5 --model=rdn_x2.onnx --output=rdn_x2_bs{batch size} --input_format=NCHW --input_shape="image:{batch size},3,114,114" --log=debug --soc_version=Ascend310P3
         示例
         atc --framework=5 --model=rdn_x2.onnx --output=rdn_x2_bs1 --input_format=NCHW --input_shape="image:1,3,114,114" --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rdn_x2_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。

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 -m ais_bench --model ./rdn_x2_bs{batch size}.om --input ./prep_dataset/data --output ./output --output_dirname subdir --outfmt 'TXT' --batchsize {batch size}
      示例
      python3 -m ais_bench --model ./rdn_x2_bs1.om --input ./prep_dataset/data --output ./output --output_dirname subdir --outfmt 'TXT' --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。

   3. 精度验证。

      调用RDN_postprocess.py脚本推理结果，结果保存在result.json中。

      python3.7 RDN_postprocess.py --pred-path=./output/subdir --label-path=./prep_dataset/label --result-path=./result.json --width=114 --height=114 --scale=2
      

      • 参数说明：

        • pred-path：为生成推理结果所在路径

        • label-path：为标签数据所在路径

        • result-path：结果保存路径

   4. 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=./rdn_x2_bs{batch size}.om --loop=1000 --batchsize={batch size}
   示例
   python3.7 -m ais_bench --model=./rdn_x2_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

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	38.27	47
300I Pro	4	Set5	38.27	37
300I Pro	8	Set5	38.27	33
300I Pro	16	Set5	38.27	33
300I Pro	32	Set5	38.27	33
300I Pro	64	Set5	38.27	33