ECAPA-TDNN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

ECAPA-TDNN基于人脸验证和计算机视觉相关领域的最新趋势，对传统的TDNN引入了多种改进。其中包括一维SE blocks，多层特征聚合（MFA）以及依赖于通道和上下文的统计池化。

• 参考实现：

  url=https://github.com/Joovvhan/ECAPA-TDNN.git
  

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	FP32	batchsize x 80 x 200	ND

• 输出数据

  输出数据	数据类型	大小	数据排布格式
  output1	FLOAT32	batchsize x 192	ND
  output2	FLOAT32	batchsize x 200 x 1536	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	23.0.0	Pytorch框架推理环境准备
  CANN	7.0.0	-
  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

1. 获取源码。

   git clone --recursive https://github.com/Joovvhan/ECAPA-TDNN.git
   mv ECAPA-TDNN ECAPA_TDNN
   export PYTHONPATH=$PYTHONPATH:./ECAPA_TDNN
   export PYTHONPATH=$PYTHONPATH:./ECAPA_TDNN/tacotron2
   

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）

   用户需自行获取VoxCeleb1数据集中测试集（无需训练集），上传数据集到服务器中,必须要与preprocess.py同目录。目录结构如下：

   VoxCeleb1
   ├── id10270
      ├── 1zcIwhmdeo4
         ├── 00001.wav 
         ├── ... 
   ├── id10271
   ├── ...
   

2. 数据预处理，将原始数据集转换为模型输入的数据。

   在当前工作目录下，执行以下命令行,其中VoxCeleb为数据集相对路径，input/为模型所需的输入数据相对路径，speaker/为后续后处理所需标签文件的相对路径

   python3 preprocess.py VoxCeleb1 input/ speaker/
   

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。

      wget https://ascend-repo-modelzoo.obs.cn-east-2.myhuaweicloud.com/model/1_PyTorch_PTH/Ecapa_tdnn/PTH/checkpoint.zip
      unzip checkpoint.zip
      

      该权重为自己训练出的权重，后续精度以该权重下精度为标准

      获取基准精度，作为精度对比参考， checkpoint为权重文件相对路径， VoxCeleb为数据集相对路径

      python3 get_originroc.py checkpoint VoxCeleb1
      

   2. 导出onnx文件。

      1. 使用pytorch2onnx.py导出onnx文件。

         利用权重文件和模型的网络结构转换出所需的onnx模型， checkpoint为权重文件相对路径， ecapa_tdnn.onnx 为生成的onnx模型相对路径。

         python3 pytorch2onnx.py checkpoint ecapa_tdnn.onnx 
         

         获得ecapa_tdnn.onnx文件。

      2. 优化ONNX文件。

         1. 安装onnx优化工具onnx_tool

            git clone https://gitee.com/zheng-wengang1/onnx_tools.git
            cd onnx_tools && git checkout cbb099e5f2cef3d76c7630bffe0ee8250b03d921
            cd ..
            

         2. 执行fix_conv1d.py

            python3 fix_conv1d.py ecapa_tdnn.onnx ecapa_tdnn_sim.onnx
            

         获得ecapa_tdnn_sim.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 --model=ecapa_tdnn_sim.onnx --output=./om/ecapa_tdnn_bs4 --input_format=ND --input_shape="mel:4,80,200" --log=debug  --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ecapa_tdnn_bs4.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. 配置环境变量。

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

   3. 执行推理。

      python3 -m ais_bench --model "om/ecapa_tdnn_bs4.om" --input "input" --output "result" --output_dirname "output_bs4" --outfmt BIN
      

      • 参数说明：

        • --model：om文件路径。
        • --input：输入数据目录。
        • --output：推理结果输出路径。
        • --outfmt：推理结果输出格式。

      推理后的输出默认在当前目录result下。

   4. 精度验证。

      根据第四步中获取的结果result/output_bs4和第三步中产生的speaker标签文件，得到推理精度。

      python3 postprocess.py result/output_bs4 speaker
      

      • 参数说明：

        • result/output_bs4：为推理结果所在路径
        • speaker_bs4：为标签数据所在路径
        • 4：batch size
        • 4648：样本总数

   5. 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文件路径。
        • --batchsize：batch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。

roc_auc	om	pth
bs1	0.9991	0.9991
bs4	0.9991	0.9989

Model	batch_size	T4Throughput/Card	300I PRO Throughput/Card
ECAPA-TDNN	1	485.43	981
ECAPA-TDNN	4	705.46	1654
ECAPA-TDNN	8	798.4	1461
ECAPA-TDNN	16	770.89	1302
ECAPA-TDNN	32	828.84	1211
ECAPA-TDNN	64	847.37	1238
ECAPA-TDNN	best	847.37	1654