Pix2Pix模型-推理

• 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

pix2pix是一个图像合成网络，是将GAN应用于有监督的图像到图像翻译的经典论文。其是将CGAN的思想运用在了图像翻译的领域上，学习从输入图像到输出图像之间的映射，从而得到指定的输出图像。

• 参考实现：

  url=https://github.com/OmriKaduri/pytorch-CycleGAN-and-pix2pix
  commit_id=master
  commit_id=aac572a869b6cfc7486d1d8e2846e5e34e3f0e05
  model_name=pix2pix
  

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 256 x 256	NCHW

• 输出数据

  输出数据	数据类型	大小	数据排布格式
  output	RGB_FP32	batchsize x 3 x 256 x 256	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	1.0.17	Pytorch框架推理环境准备
  CANN	6.0.RC1	-
  Python	3.7.5	-
  PyTorch	1.5.0	AscendPyTorch环境准备
  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/OmriKaduri/pytorch-CycleGAN-and-pix2pix.git
   git reset --hard aac572a869b6cfc7486d1d8e2846e5e34e3f0e05
   patch -p2 -i pix2pix.patch -d ./pytorch-CycleGAN-and-pix2pix/
   cp -r ./pytorch-CycleGAN-and-pix2pix/* ./
   
   

   目录结构如下：

   ├─options
   ├─models
   ├─datasets
   ├─data
   ├─scripts
   ├─util
   ├─checkpoints
   ├─pix2pix_postprocess.py
   ├─pix2pix_preprocess.py
   ├─pix2pix_postprocess.py
   ├─modelzoo_level.txt
   ├─requirements.txt
   ├─LICENSE
   ├─README.md
   

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）

   本模型支持facades 验证集。用户可自行获取facades数据集上传到服务器，可放置于任意路径下，以"./datasets"目录为例。下：

   ├─datasets
      ├──facades
            ├──train
            ├──test      //验证集
   

2. 数据预处理，将原始数据集转换为模型输入的数据。

   执行pix2pix_preprocess.py脚本，完成预处理。

   python3 pix2pix_preprocess.py --dataroot ./datasets/facades --results_dir ./pre_bin
   

   • 参数说明：
     • --dataroot：数据集路径。
     • --results_dir：输出结果路径。

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。

      下载权重文件latest_net_G.pth，放到./checkpoints/facades_label2photo_pretrained目录下。

   2. 导出onnx文件。

      1. 使用pix2pix_pth2onnx.py导出onnx文件。

         运行pix2pix_pth2onnx.py脚本。

         python3 pix2pix_pth2onnx.py --direction BtoA --model pix2pix --checkpoints_dir ./checkpoints --name facades_label2photo_pretrained
         

         在./checkpoints/facades_label2photo_pretrained/路径下生成netG_onnx.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=./checkpoints/facades_label2photo_pretrained/netG_onnx.onnx --output=./netG_om_bs1 --input_format=NCHW --input_shape="inputs:1,3,256,256" --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netG_om_bs1.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 results
      python3 -m ais_bench --model ./netG_om_bs1.om --input ./pre_bin --output ./results --output_dirname bs1 --outfmt BIN --batchsize 1  --device 0
      

      • 参数说明：

        • --model：om文件路径。
        • --input：输入的bin文件路径。
        • --output：推理结果文件路径。
        • --outfmt：输出结果格式。
        • --batchsize：批大小。
        • --device：NPU设备编号。

        推理后的输出在推理结果文件路径的子文件路径下(./results/bs1/)。

   3. 精度验证。

      调用脚本生成om结果复原图片图片。

      python3 pix2pix_postprocess.py --bin2img_file=./result/bin2img_bs1/  --npu_bin_file=./result/bs1/
      

      • 参数说明：
        • --bin2img_file：推理om模型的结果复原图路径。
        • --npu_bin_file：推理om模型的结果路径。

      调用脚本生成onnx的推理结果复原图片，对onnx和om的结果进行观察对比。

      python3 test.py --dataroot ./datasets/facades/ --direction BtoA --model pix2pix --name facades_label2photo_pretrained --num_test 106
      

      • 参数说明：
        • --dataroot：数据集的路径。
        • --num_test：验证集的数目。

   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=${om_model_path} --loop=20 --batchsize=${batch_size}
      

      • 参数说明：
        • --model：om模型的路径。
        • --loop：推理的循环次数。
        • --batch_size：批大小。

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	facades	通过观察图片精度达标	640.766
300I PRO	4	facades	通过观察图片精度达标	774.654
300I PRO	8	facades	通过观察图片精度达标	931.718
300I PRO	16	facades	通过观察图片精度达标	945.187
300I PRO	32	facades	通过观察图片精度达标	963.043
300I PRO	64	facades	通过观察图片精度达标	956.723

公网地址说明

代码涉及公网地址参考 public_address_statement.md