SRFlow 模型推理指导
概述
SRFlow是一种基于归一化流的超分辨率方法，具备比GAN更强的脑补能力，能够基于低分辨率输入学习输出的条件分布。
-
论文
SRFlow: Learning the Super-Resolution Space with Normalizing Flow
Andreas Lugmayr, Martin Danelljan, Luc Van Gool, Radu Timofte -
参考实现：
url = https://github.com/andreas128/SRFlow
branch = master
commit_id = 8d91d81a2aec17e7739c5822f3a5462c908744f8
model_name = SRFlow
输入输出数据
-
模型输入
input-name data-type data-format input-shape input-image RGB_FP32 NCHW batchsize x 3 x 256 x 256 -
模型输出
output-name data-type data-format output-shape output-image RGB_FP32 NCHW batchsize x 3 x 2048 x 2048 说明：目前该模型只支持转出 batchszie 为 1 的 OM 模型。
推理环境
-
该模型推理所需配套的软件如下：
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 - 说明：请根据推理卡型号与 CANN 版本选择相匹配的固件与驱动版本。
快速上手
获取源码
- 安装推理过程所需的依赖
pip install -r requirements.txt - 获取开源仓源码
git clone https://github.com/andreas128/SRFlow -b master cd SRFlow git reset 8d91d81a2aec17e7739c5822f3a5462c908744f8 --hard patch -p1 < ../srflow.patch cd ..
准备数据集
-
获取原始数据集
本模型使用DIV2K数据集来验证模型精度，可参考以下命令下载并解压原始数据集：wget http://data.vision.ee.ethz.ch/alugmayr/SRFlow/datasets.zip unzip datasets.zip该模型需要的数据及目录结构如下：
├── datasets ├── div2k-validation-modcrop8-gt └── div2k-validation-modcrop8-x8 -
数据预处理
执行前处理脚本将原始数据转换为OM模型输入需要的bin文件。python srflow_preprocess.py -s ./datasets/div2k-validation-modcrop8-x8 -o ./prep_data参数说明：
- -s/--source: 原始数据路径
- -o/--output: 保存输出bin文件的目录路径
运行成功后，每张测试图片都会对应生成一个bin文件存放于
./prep_data/bin目录下，总数为100.
模型转换
- PyTroch 模型转 ONNX 模型
下载预训练模型到当前目录并解压，可参考命令：
bash wget http://data.vision.ee.ethz.ch/alugmayr/SRFlow/pretrained_models.zip unzip pretrained_models.zip
然后执行执行以下命令生成 ONNX 模型：
```bash
python srflow_pth2onnx.py --pth ./pretrained_models/SRFlow_DF2K_8X.pth --onnx srflow_df2k_x8.onnx
```
参数说明：
+ --pth: 预训练权重文件路径
+ --onnx: ONNX模型的保存路径
-
ONNX 模型优化
使用 onnx-simplifier 简化 ONNX 模型：python -m onnxsim ./srflow_df2k_x8.onnx ./srflow_df2k_x8_sim.onnx以上的命令中，
./srflow_df2k_x8.onnx为原始ONXN模型，./srflow_df2k_x8_sim.onnx为优化后的ONNX模型。 -
ONNX 模型转 OM 模型
step1: 查看NPU芯片名称 ${chip_name}
npu-smi info例如该设备芯片名为 310P3，回显如下：
+-------------------+-----------------+------------------------------------------------------+ | NPU Name | Health | Power(W) Temp(C) Hugepages-Usage(page) | | Chip Device | Bus-Id | AICore(%) Memory-Usage(MB) | +===================+=================+======================================================+ | 0 310P3 | OK | 15.8 42 0 / 0 | | 0 0 | 0000:82:00.0 | 0 1074 / 21534 | +===================+=================+======================================================+ | 1 310P3 | OK | 15.4 43 0 / 0 | | 0 1 | 0000:89:00.0 | 0 1070 / 21534 | +===================+=================+======================================================+step2: ONNX 模型转 OM 模型
# 配置环境变量 source /usr/local/Ascend/ascend-toolkit/set_env.sh chip_name=310P3 # 根据 step1 的结果设值 bs=1 # 根据需要自行设置batchsize # 执行 ATC 进行模型转换 atc --framework=5 \ --model=./srflow_df2k_x8_sim.onnx \ --output=./srflow_df2k_x8_bs${bs} \ --input_format=NCHW \ --input_shape="input-image:${bs},3,256,256" \ --log=error \ --soc_version=Ascend${chip_name} \ --fusion_switch_file=./srflow_fusion_switch.cfg参数说明：
- --framework: 5代表ONNX模型
- --model: ONNX模型路径
- --input_shape: 模型输入数据的shape
- --input_format: 输入数据的排布格式
- --output: OM模型路径，无需加后缀
- --log：日志级别
- --soc_version: 处理器型号
- --fusion_switch_file: OM融合算子配置文件
推理验证
-
对数据集推理
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。完成安装后，执行以下命令预处理后的数据进行推理。python -m ais_bench \ --model ./srflow_df2k_x8_bs${bs}.om \ --input ./prep_data/bin/ \ --output ./ \ --output_dirname result_bs${bs} \ --batchsize ${bs}参数说明：
- --model OM模型路径
- --input 存放预处理后数据的目录路径
- --output 用于存放推理结果的父目录路径
- --output_dirname 用于存放推理结果的子目录名，位于--output指定的目录下
- --batchsize 模型每次输入bin文件的数量
-
性能验证
对于性能的测试，需要注意以下三点：- 测试前，请通过
npu-smi info命令查看NPU设备状态，请务必在NPU设备空闲的状态下进行性能测试。 - 为了避免测试过程因持续时间太长而受到干扰，建议通过纯推理的方式进行性能测试。
- 使用吞吐率作为性能指标，单位为 fps，反映模型在单位时间（1秒）内处理的样本数。
python -m ais_bench --model ./srflow_df2k_x8_bs${bs}.om --batchsize ${bs} --loop 100执行完纯推理命令，程序会打印出与性能相关的指标，找到以关键字 [INFO] throughput 开头的一行，行尾的数字即为 OM 模型的吞吐率。
- 测试前，请通过
-
精度验证
执行后处理脚本，根据推理结果计算OM模型的精度：
python srflow_postprocess.py \ --hr ./datasets/div2k-validation-modcrop8-gt/ \ --binres ./result_bs${bs} \ --save ./result_bs${bs}_save参数说明：
- --hr: 高分辨率图片所在路径
- --binres: 推理结果所在路径
- --save: 后处理生成图片的保存路径
性能&精度
在300I PRO设备上，该模型目前仅支持的batchsize为1，此时OM模型的性能与精度如下表：
| 芯片型号 | BatchSize | 数据集 | 精度 | 性能 |
|---|---|---|---|---|
| 300I Pro | 1 | DIV2K | avg_psnr=23.017 | 0.737 fps |
公网地址说明
代码涉及公网地址参考 public_address_statement.md