RetinaFace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

Retinaface模型是2019年提出的人脸检测模型，使用deformable convolution和dense regression loss，当时在WiderFace数据集上达到SOTA。本文档使用的模型是基于mobilenet（0.25）结构的轻量版本，基于RetinaNet的结构，采用特征金字塔技术，实现了多尺度信息的融合，对检测小物体有重要作用。

• 参考实现：

  url=https://github.com/biubug6/Pytorch_Retinaface
  commit_id=b984b4b775b2c4dced95c1eadd195a5c7d32a60b
  

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 1000 x 1000	NCHW

• 输出数据

  输出数据	数据类型	大小	数据排布格式
  output0	FLOAT32	batchsize x 41236 x 4	ND
  output1	FLOAT32	batchsize x 41236 x 2	ND
  output2	FLOAT32	batchsize x 41236 x 10	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	22.0.2	Pytorch框架推理环境准备
  CANN	5.1.RC2	-
  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/biubug6/Pytorch_Retinaface
   cd Pytorch_Retinaface
   git reset b984b4b775b2c4dced95c1eadd195a5c7d32a60b --hard
   cd ..
   

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）

   该模型使用WiderFace 的3226张验证集进行测试。获取数据集并解压后将images文件夹放在/data/widerface/val文件夹下。目录结构如下：

   Retinaface
   ├── data
      ├── widerface
         ├── val
            ├── images
               ├── 0-Parade
               ├── 1-Handshaking
               ├── ...
   

2. 数据预处理，将原始数据集转换为模型输入的数据。

   执行预处理脚本 retinaface_pth_preprocess.py，完成预处理。

   python3 retinaface_pth_preprocess.py
   

   运行成功后，生成的二进制文件默认放在./widerface文件夹下。目录结构如下：

   Retinaface
   ├── widerface
      ├── prep
      └── prep_info
   

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。

      Retinaface基于mobilenet0.25的预训练权重

   2. 导出onnx文件。

      1. 使用pth2onnx.py导出onnx文件。

         运行pth2onnx.py脚本。

         python3 pth2onnx.py -m mobilenet0.25_Final.pth
         

         获得retinaface.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。

         #以batch size=16为例
         atc --model retinaface.onnx \
             --framework 5 \
             --output retinaface_bs16 \
             --input_shape "image:16,3,1000,1000" \
             --soc_version Ascend${chip_name} \
             --log error \
             --out_nodes "Concat_205:0;Softmax_206:0;Concat_155:0" \
             --enable_small_channel 1 \
             --insert_op_conf ./aipp.cfg
         

         • 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。
           • --out_nodes：onnx模型的输出节点，不同版本的torch和torchvision包可能会影响pth转换得到的onnx模型结构。如使用不同版本的包需要查看模型最后的output2，output1，output0对应的上一层节点名称。
           • --enable_small_channel：是否使用small channel优化。
           • --insert_op_conf=aipp.cfg: AIPP插入节点，通过config文件配置算子信息，功能包括图片色域转换、裁剪、归一化，主要用于处理原图输入数据，常与配合使用，详见下文数据预处理。

           运行成功后生成retinaface_bs16.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。

       #以batch size=16为例
       python3 -m ais_bench \
             --model retinaface_bs16.om \
             --batchsize 16 \
             --input ./widerface/prep/ \
             --output ./result 
             --outfmt BIN
      

      • 参数说明：

        • model：om文件路径。
        • input：输入文件路径。
        • output：输出文件路径。
        • outfmt：输出文件格式。

      推理后的输出默认在当前目录result下。

   3. 精度验证。

      1. 数据后处理

         python3 retinaface_pth_postprocess.py \
               --prediction-folder ./result/{timestamp} \
               --info-folder ./widerface/prep_info \
               --output-folder ./widerface_result
         

         • 参数说明：

         • --prediction-folder：ais_infer工具的推理结果，默认为 ./result。{timestamp}。{timestamp} 表示 ais_infer 工具执行推理任务时的时间戳。

         • --info-folder：验证集预处理时生成的info信息，默认为 ./widerface/prep_info

         • --output-folder：处理结果的保存位置，默认为 ./widerface_result

         • --confidence-threshold：置信度阈值，默认为 0.02

      2. 计算精度

         如果是第一次运行精度计算需要运行第二步，编译评估文件，之后运行可直接执行第三步中的精度计算

         cd Pytorch_Retinaface/widerface_evaluate
         python3 setup.py build_ext --inplace
         python3 evaluation.py -p ../../widerface_result/
         

   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=${om_model_path} --loop=100 --batchsize=${batch_size}
      

      • 参数说明：
        • --model：om模型文件路径。
        • --batchsize：模型对应的batch size。

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	WiderFace	90.44%（Easy） 87.56%（Medium） 72.44%（Hard）	1078.13
300I PRO	4	WiderFace		1134.78
300I PRO	8	WiderFace		1025.77
300I PRO	16	WiderFace	90.44%（Easy） 87.56%（Medium） 72.44%（Hard）	1502.58
300I PRO	32	WiderFace		909.72
300I PRO	64	WiderFace		894.14