291a976e创建于 2024年11月26日历史提交

文件	最后提交记录	最后更新时间
LICENSE	first commit	3 年前
README.md	!6847 [PyTorch离线推理]资料整改，替换芯片名称 Merge pull request !6847 from C17/master	1 年前
TransPose.patch	init	4 年前
TransPose_postprocess.py	update Transpose	3 年前
TransPose_preprocess.py	update Transpose	3 年前
TransPose_pth2onnx.py	fix TransPose pth2onnx	3 年前
fusion_switch.cfg	init	4 年前
modelzoo_level.txt	init	4 年前
public_address_statement.md	!6055 整改公网地址 Merge pull request !6055 from 胡一鸣/master	2 年前
requirements.txt	add some requirements Signed-off-by: 不忘 <1144924399@qq.com>	3 年前
transpose_r.py	first commit	3 年前

TransPose模型-推理指导

概述
- 输入输出数据
推理环境准备
快速上手
模型推理性能&精度

概述

TransPose是一种基于CNN特征提取器、Transformer编码器和预测头的人体姿态估计模型。给定一幅图像，Transformer中内置的注意力层可以有效地捕捉关键点之间的长距离空间关系，并解释预测的关键点位置高度依赖的依赖性。

参考实现：

url=https://github.com/yangsenius/TransPose.git
commit_id=dab9007b6f61c9c8dce04d61669a04922bbcd148
model_name=TransPose-R-A3

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

output1 FLOAT32 batchsize x 17 x 64 x 48 ND

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	数据类型	大小	数据排布格式
output1	FLOAT32	batchsize x 17 x 64 x 48	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	1.6.0	-
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

获取源码。

git clone https://github.com/yangsenius/TransPose.git
cd TransPose
git reset dab9007b6f61c9c8dce04d61669a04922bbcd148 --hard
patch -p1 < ../TransPose.patch
cd ..

安装依赖。
```
pip3 install -r requirements.txt
```

准备数据集

获取原始数据集。（解压命令参考tar –xvf *.tar与 unzip *.zip）

本模型支持COCO2017验证集。用户需自行获取数据集（或给出明确下载链接），将文件夹解压并上传数据集到源码包路径下。目录结构如下：

|-- data
     |-- coco
         |-- images
         |   |-- val2017
         |       |-- 000000000139.jpg
         |       |-- 000000000285.jpg
         |       |-- 000000000632.jpg
         |       |-- ... 
         |-- annotations
             |-- person_keypoints_train2017.json
             |-- person_keypoints_val2017.json

下载与解压，请参考：

mkdir -p data/coco/
cd data/coco/
wget http://images.cocodataset.org/zips/val2017.zip
wget http://images.cocodataset.org/annotations/annotations_trainval2017.zip
mkdir images
unzip val2017.zip -d images
unzip annotations_trainval2017.zip
cd ../../

数据预处理，将原始数据集转换为模型输入的数据。
```
python3 TransPose_preprocess.py --output ./prep_data --output_flip ./prep_data_flip
```
参数说明：
- --output：输出的二进制文件（.bin）所在路径。
- --output_flip：输出的二进制文件flip（.bin）所在路径。
运行成功后，会在当前目录下生成 prep_data 与 prep_data_flip 目录，用于保存生成的bin文件。

模型推理

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。

获取权重文件。

获取权重文件“tp_r_256x192_enc3_d256_h1024_mh8.pth”，将文件放入models文件夹内。

mkdir models
wget https://github.com/yangsenius/TransPose/releases/download/Hub/tp_r_256x192_enc3_d256_h1024_mh8.pth -P models

导出onnx文件。

使用TransPose_pth2onnx.py导出onnx文件。
```
python3 TransPose_pth2onnx.py --weights models/tp_r_256x192_enc3_d256_h1024_mh8.pth
```
获得tp_r_256x192_enc3_d256_h1024_mh8.onnx文件。

优化ONNX文件。

python3 -m onnxsim models/tp_r_256x192_enc3_d256_h1024_mh8.onnx models/tp_r_256x192_enc3_d256_h1024_mh8_sim.onnx --dynamic-input-shape

获得tp_r_256x192_enc3_d256_h1024_mh8_sim.onnx文件。

使用ATC工具将ONNX模型转OM模型。

配置环境变量。

source /usr/local/Ascend/ascend-toolkit/set_env.sh

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                            |
+===================+=================+======================================================+

执行ATC命令。
```
atc --framework=5 --model=models/tp_r_256x192_enc3_d256_h1024_mh8_sim.onnx --output=models/tp_r_256x192_enc3_d256_h1024_mh8_bs1 --input_format=NCHW --input_shape="input:1,3,256,192" --fusion_switch_file=fusion_switch.cfg --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tp_r_256x192_enc3_d256_h1024_mh8_bs1.om模型文件。

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。
```
python3 -m ais_bench --model models/tp_r_256x192_enc3_d256_h1024_mh8_bs{batchsize}.om --input prep_data/ --output prep_data_result/
python3 -m ais_bench --model models/tp_r_256x192_enc3_d256_h1024_mh8_bs{batchsize}.om --input prep_data_flip --output prep_data_flip_result/  
```
  - 参数说明：
    - --model：OM模型路径
    - --input：存放预处理 bin 文件的目录路径
    - --output：推理输出文件夹
3. 精度验证。
  
  调用脚本与数据集标签比对，可以获得Accuracy数据。
```
python3 TransPose_postprocess.py  --dump_dir ./prep_data_result/${output} --dump_dir_flip ./prep_data_flip_result/${output}
```
  - 参数说明：
    - --dump_dir：生成推理结果所在路径。
    - --dump_dir_flip：生成推理结果所在路径。
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模型路径
    - --batchsize：batch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	COCO2017	AP: 73.7%	484.04
300I Pro	4	COCO2017	AP: 73.7%	500.14
300I Pro	8	COCO2017	AP: 73.7%	485.39
300I Pro	16	COCO2017	AP: 73.7%	458.66
300I Pro	32	COCO2017	AP: 73.7%	437.97
300I Pro	64	COCO2017	AP: 73.7%	475.99

公网地址说明

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