MSPN 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

该模型结构使用多阶段网络来实现人体姿势估计，可以使得低分辨率的特征和高分辨率的特征重复交叠，兼顾了位置信息和特征抽象信息。

• 参考实现：

  url=https://gitcode.com/ascend/ModelZoo-PyTorch.git
  commit_id=05360171699bbe3bb1916bbafa84a445bd112e87 
  model_name=ACL_PyTorch/contrib/cv/pose_estimation/MSPN
  

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 192	NCHW

• 输出数据

  输出数据	数据类型	大小	数据排布格式
  output	FLOAT32	batchsize x 3 x 256 x 192	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	22.0.3	Pytorch框架推理环境准备
  CANN	6.0.RC1	-
  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 https://github.com/megvii-research/MSPN -b master   
   cd  MSPN 
   git reset --hard 05360171699bbe3bb1916bbafa84a445bd112e87
   

2. 安装依赖。

   pip3 install -r requirements.txt
   

3. 设置环境变量，将当前目录设置为程序运行的主目录

   export MSPN_HOME=$(pwd)
   export PYTHONPATH=$PYTHONPATH:$MSPN_HOME
   

4. 下载COCOAPI

   git clone https://github.com/cocodataset/cocoapi.git $MSPN_HOME/lib/COCOAPI
   cd $MSPN_HOME/lib/COCOAPI/PythonAPI
   make install
   

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coco2014验证集。用户需自行获取数据集，将下载好的数据按照如下目录放置：

   ./dataset
   ├── COCO
      ├── det_json
      ├── gt_json    
      └── images
         ├── train2014
         └── val2014
   

2. 运行配置文件

   python3 $MSPN_HOME/exps/mspn.2xstg.coco/config.py -log
   

3. 数据预处理，将原始数据集转换为模型输入的数据。

   执行MSPN_preprocess.py脚本，完成预处理。

   python3 MSPN_preprocess.py --datasets_path ./dataset/COCO
   

   • 参数说明
     • datasets_path: 原数据路径

   结果默认保存在当前文件夹pre_dataset

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/MSPN/PTH/mspn_2xstg_coco.pth
      

   2. 导出onnx文件。

      1. 使用MSPN_pth2onnx.py导出onnx文件

         运行MSPN_pth2onnx.py脚本。

         python3 MSPN_pth2onnx.py        
         

         获得MSPN.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）
         会显如下：
         +-------------------+-----------------+------------------------------------------------------+
         | 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=MSPN.onnx --output=MSPN_bs1 --input_format=NCHW --input_shape="input:1,3,256,192" --log=error --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MSPN_bs1.om模型文件。

2. 开始推理验证。

   1. 使用ais-bench工具进行推理。

      ais-bench工具获取及使用方式请点击查看[ais-bench 推理工具使用文档]

   2. 执行推理。

      python3 -m ais_bench  --model MSPN_bs1.om --input ./pre_dataset --output ./ --output_dirnamne result
      

      • 参数说明：

        • model：om模型
        • input：输入文件
        • output：结果输出地址
        • output_dirname: 结果输出文件夹

      推理后的输出默认在当前目录result下。

      说明： 执行ais-bench工具请选择与运行环境架构相同的命令。参数详情请参见。

   3. 精度验证。

      调用脚本，结果会打屏显示

       python MSPN_postprocess.py --inference_result ./result
      

      • 参数说明：

        • inference_result: 推理结果文件

   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
        • --batchsize：模型batchsize
        • --loop: 循环次数

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	COCO2014	AP:74.1	595
300I Pro	4	COCO2014	AP:74.1	933
300I Pro	8	COCO2014	AP:74.1	815
300I Pro	16	COCO2014	AP:74.1	786
300I Pro	32	COCO2014	AP:74.1	717
300I Pro	64	COCO2014	AP:74.1	713