0
代码
代码
Issues
Pull Requests
讨论
Wiki
分析
0
ascend-robotascend-robot文档整改，gitee->gitcode
ad2a1da9创建于 2025年12月3日历史提交

GMA模型-推理指导

概述

GMA着重解决光流估计中被遮挡点的光流估计问题。GMA定义的遮挡点是在当前帧中可见但在下一帧中不可见的点。以前的工作依赖CNN来学习遮挡，但收效不大，或者需要多帧并使用时间平滑度来推理遮挡。GMA通过对图像自相似性进行建模，来更好地解决遮挡问题。

  • 参考实现：

    url=https://github.com/zacjiang/GMA
commit_id=2f1fd29468a86a354d44dd25d107930b3f175043
model_name=GMA

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
    input1 RGB_FP32 batchsize x 3 x 440 x 1024 NCHW
    input2 RGB_FP32 batchsize x 3 x 440 x 1024 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 440 x 1024 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 22.0.2 Pytorch框架推理环境准备
    CANN 6.0.RC1 -
    Python 3.7.5 -
    PyTorch 1.12.0 -
    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/zacjiang/GMA.git
cd GMA
git reset --hard 2f1fd29468a86a354d44dd25d107930b3f175043
cd ..
patch -p2 < GMA.patch

  2. 安装依赖。

    pip3 install -r requirement.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MPI-Sintel-complete验证集。

    wget http://files.is.tue.mpg.de/sintel/MPI-Sintel-complete.zip --no-check-certificate

    将MPI_Sintel-complete文件夹解压并上传数据集到源码包路径data文件夹下。目录结构如下：

    data
├─ test 
├─ training
├─ flow_code
└─ bundler

  2. 数据预处理，将原始数据集转换为模型输入的数据。

    执行GMA_preprocess.py脚本，完成预处理。

    python3 GMA_preprocess.py --dataset ./GMA/data/training --output ./data_preprocessed_clean --status clean

python3 GMA_preprocess.py --dataset ./GMA/data/training --output ./data_preprocessed_final --status final

    • 参数说明：

      • dataset：数据集地址
      • output：预处理数据保存地址
      • status：预处理数据模式

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。

      权重文件在源码仓checkpoint文件夹中

    2. 导出onnx文件。

      1. 使用GMA_pth2onnx.py导出onnx文件。

        运行GMA_pth2onnx.py脚本。

        python3 GMA_pth2onnx.py --input_file=./GMA/checkpoints/gma-sintel.pth --output_file=GMA_${bs}.onnx --batchsize=${bs}

        • 参数说明：

          • input_file：权重文件
          • output_file：onnx模型名称
          • batchsize：batchsize大小

        获得GMA.onnx文件。

      2. 请访问auto-optimizer改图工具代码仓，根据readme文档进行工具安装。

        python3 -m auto_optimizer optimize GMA_${bs}.onnx GMA_m_${bs}.onnx -k 4

        获得GMA_m.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 --framework=5 --input_shape="image1:${bs},3,440,1024;image2:${bs},3,440,1024" --output=GMA_bs${bs} --soc_version=Ascend${chip_name} --keep_dtype=keep.cfg --model=GMA_m_${bs}.onnx

        • 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_shape：输入数据的shape。
          • --soc_version：处理器型号。
          • --keep_dtype:指定部分算子fp32

          运行成功后生成GMA_bs${bs}.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。

      mkdir -p ./output_clean/bs${bs}
python3 -m ais_bench --model=GMA_bs${bs}.om --batchsize=${bs} --input='data_preprocessed_clean/image1,data_preprocessed_clean/image2' --output=./output_clean  --output_dirname=bs${bs}

mkdir ./output_final/bs${bs}
python3 -m ais_bench --model=GMA_bs${bs}.om --batchsize=${bs} --input='data_preprocessed_final/image1,data_preprocessed_final/image2' --output=./output_final --output_dirname=bs${bs}

      • 参数说明：

        • model：om文件路径。
        • input：输入预处理数据
        • output：推理结果保存路径

    3. 精度验证。

      调用GMA_postprocess.py脚本计算精度

      python3 GMA_postprocess.py --gt_path=./data_preprocessed_clean/gt --output_path=./output_clean/bs${bs}
python3 GMA_postprocess.py --gt_path=./data_preprocessed_final/gt --output_path=./output_final/bs${bs}

      • 参数说明：

        • gt_path:标杆数据文件夹

        • output_path:推理输出数据

    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 -m ais_bench --model=GMA_bs${bs}.om --loop=100 --batchsize=${batch_size}
      • 参数说明：
        • --model：om模型
        • --batchsize：batchsize大小

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 Sintel final：88.95%(1px) clean:92.65%(1px) 0.766
300I Pro 4 Sintel 0.772
300I Pro 8 Sintel 0.678
300I Pro 16 Sintel 内存超过，无法推理