FaceBoxes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

FaceBoxes的新型人脸检测器，它在速度和准确性方面都有卓越的性能。具体来说，我们的方法拥有一个轻量级但功能强大的网络结构，它由快速消化卷积层(RDCL)和多尺度卷积层(MSCL)组成。RDCL的设计目的是让facebox在CPU上实现实时速度

• 参考论文：FaceBoxes: A CPU Real-time Face Detector with High Accuracy Shifeng Zhang, Xiangyu Zhu, Zhen Lei, Hailin Shi, Xiaobo Wang, Stan Z. Li)

• 参考实现：

  url=https://github.com/zisianw/FaceBoxes.PyTorch.git
  branch=master
  commit_id=9bc5811fe8c409a50c9f23c6a770674d609a2c3a
  

输入输出数据

• 输入数据

  输入数据	大小	数据类型	数据排布格式
  input	batchsize x 3 x 224 x 224	RGB_FP32	NCHW

• 输出数据

  输出数据	大小	数据类型	数据排布格式
  output1	batchsize x 1024	FLOAT32	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	1.0.16（NPU驱动固件版本为5.1.RC2）	Pytorch框架推理环境准备
  CANN	5.1.RC2	-
  Python	3.7.5	-

快速上手

获取源码

1. 获取源码。

   源码目录结构：

   ├── faceboxes_pth2onnx.py             //用于转换pth文件到onnx文件 
   ├── faceboxes_pth_preprocess.py       //数据集预处理脚本
   ├── faceboxes_pth_preprocess.py       //数据集后处理脚本 
   ├── FDDB_Evaluation                   //精度评估文件夹
   ├── aipp.config                       //aipp配置文件
   ├── dlt_cuda.patch                    //patch文件
   

2. 获取开源代码仓。 在源码目录下，执行如下命令。

   git clone https://github.com/zisianw/FaceBoxes.PyTorch.git
   mv faceboxes_pth2onnx.py faceboxes_pth_postprocess.py faceboxes_pth_preprocess.py FDDB_Evaluation/ dlt_cuda.patch aipp.config FaceBoxes.PyTorch/ 
   

3. 安装依赖。

   pip install -r requirements.txt
   

4. 切换到主目录。

   cd FaceBoxes.PyTorch/
   git reset --hard 9bc5811fe8c409a50c9f23c6a770674d609a2c3a
   

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）

   该模型使用FDDB 2845张验证集进行测试，图片与标签分别存放在datasets/FDDB/images（请按下图中的目录放置）与datasets/FDDB/img_list.txt，将ground_truth文件夹放在FDDB_Evaluation目录下。 数据目录结构请参考：

   ├── FDDB
      ├──img_list.txt
      ├──images           
          ├── 2002
          ├── 2003   
   

2. 数据预处理。

   数据预处理将原始数据集转换为模型输入的数据。 执行faceboxes_pth_preprocess.py脚本，完成预处理。

   python faceboxes_pth_preprocess.py --dataset datasets/FDDB --save-folder prep
   

   • 参数说明：
     • --dataset：原始数据验证集所在路径。
     • --save-folder：bin文件保存路径。

   运行成功后，在当前目录下生成 prep 二进制文件夹。

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。

2. 获取权重文件 FaceBoxesProd.pth。

3. 导出onnx文件。

   使用 FaceBoxesProd.pth 导出onnx文件。 运行 faceboxes_pth2onnx.py 脚本。

   python faceboxes_pth2onnx.py  --trained_model FaceBoxesProd.pth --save_folder faceboxes-b0.onnx 
   

   • 参数说明：
     • --trained_model：pth权重文件所在路径。
     • --save-folder：onnx文件保存路径。

   获得 faceboxes-b0.onnx 文件。

4. 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
      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              | 17.6         57                0    / 0              |
      | 0       0         | 0000:3B:00.0    | 0            936 / 21534                            |
      +===================+=================+======================================================+
      

   3. 执行ATC命令。

      通过 netron 查看onnx的输出节点名称，对应的进行更改--out_nodes里的参数

      atc --framework=5 --model=faceboxes-b0.onnx --output=faceboxes-b0_bs1 --input_format=NCHW --input_shape="image:1,3,1024,1024" --log=debug --soc_version=Ascend${chip_name} --out_nodes="Reshape_134:0;Softmax_141:0" --enable_small_channel=1 --insert_op_conf=aipp.config
      

      • 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。
        • --enable_small_channel：是否使能small channel的优化，使能后在channel<=4的首层卷积会有性能收益。
        • --insert_op_conf=aipp_resnet34.config: AIPP插入节点，通过config文件配置算子信息。

   运行成功后生成 faceboxes-b0_bs1.om 模型文件。

5. 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. 创建推理结果保存的文件夹。

      mkdir result
      

   3. 执行推理。

      python -m ais_bench --model faceboxes-b0_bs1.om --input prep/ --output result --output_dir dumpout_bs1 --batchsize 1
      

      • 参数说明：

        • --model ：输入的om文件。
        • --input：输入的bin数据文件。
        • --device：NPU设备编号。
        • --output: 模型推理结果。
        • --batchsize : 批大小。

      推理结果保存在result/dumpout_bs1下面，并且也会输出性能数据。

   4. 精度验证。

      1. 在当前目录下，执行以下命令。

         dos2unix dlt_cuda.patch
         git apply dlt_cuda.patch
         ./make.sh
         

      2. 运行后处理脚本faceboxes_pth_postprocess.py。

         python faceboxes_pth_postprocess.py --save_folder FDDB_Evaluation/ --prep_info prep/ --prep_folder result/dumpout_bs1/
         

         • 参数说明：
           • --save_folder：推理结果处理之后的文件保存路径。
           • --prep_info：前处理数据（.bin）文件保存路径。
           • --prep_folder：模型推理结果保存路径。

         运行成功后在FDDB_Evaluation路径下生成FDDB_dets.txt文件。

      3. 执行evaluate.py脚本获得精度数据。

         cd FDDB_Evaluation
         python setup.py install
         python evaluate.py -g ./ground_truth
         

         • 参数说明：
           • --g：ground_truth文件夹的路径。

         执行成功后输出模型精度数据并保存在results.txt文件中。

   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：

      python -m ais_bench --model=${om_model_path} --loop=20 --batchsize=${batch_size}
      

      • 参数说明：
        • --model：om模型的路径。
        • --loop：推理循环的次数。
        • --batchsize：推理的batchsize。

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	FDDB	0.948	2332.9056
300I Pro	4	FDDB	0.948	1721.6148
300I Pro	8	FDDB	0.948	1807.0112
300I Pro	16	FDDB	0.948	1707.1128
300I Pro	32	FDDB	0.948	1662.0441