Uniformer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

UniFormer 提出了一种整合 3D 卷积和时空自注意力机制的 Transformer 结构，能在计算量和精度之间取得平衡。不同于传统的 Transformer 结构在所有层都使用自注意力机制，论文中提出的 relation aggregator 可以分别处理视频的冗余信息和依赖信息。在浅层，aggregator 利用一个小的 learnable matrix 学习局部的关系，通过聚合小的 3D 邻域的 token 信息极大地减少计算量。在深层，aggregator通过相似性比较学习全局关系，可以灵活的建立远距离视频帧 token 之间的长程依赖关系。

• 参考实现：

  url=https://github.com/Sense-X/UniFormer
  commit_id=e8024703bffb89cb7c7d09e0d774a0d2a9f96c25
  model_name=UniFormer
  

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

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	3.8	-
  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 -b main https://github.com/Sense-X/UniFormer.git
   cd UniFormer
   git reset e8024703bffb89cb7c7d09e0d774a0d2a9f96c25 --hard
   cd pose_estimation
   python setup.py install 
   cd ..
   patch -p1 < ../uniformer.patch
   cd ..
   

2. 安装依赖。

   pip 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coco验证集。用户需自行获取数据集（或给出明确下载链接），将person_keypoints_val2017.json文件和val2017文件夹解压并上传数据集到源码包路径下。目录结构如下：

   coco
   ├── annotations
   │   └─person_keypoints_val2017.json    //验证集标注信息       
   └── val2017             // 验证集文件夹
   

2. 数据预处理，将原始数据集转换为模型输入的数据。

   执行uniformer_preprocess.py脚本，完成预处理。

   python uniformer_preprocess.py --dataset=./coco --bin=pre_data
   

   • 参数说明：

     • dataset：数据集目录
     • bin：预处理数据保存地址

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/Uniformer/PTH/top_down_256x192_global_base.pth
      

   2. 导出onnx文件。

      1. 使用源码库自带脚本导出onnx文件。

         运行pytorch2onnx.py脚本。

         python UniFormer/pose_estimation/tools/pytorch2onnx.py \
                UniFormer/pose_estimation/exp/top_down_256x192_global_base/config.py \
               ./top_down_256x192_global_base.pth \
               --output-file ./uniformer_dybs.onnx
         

         获得uniformer_dybs.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=uniformer_dybs.onnx \
             --output=uniformer_bs${bs} \
             --input_format=NCHW \
             --input_shape="input:${bs},3,256,192" \
             --log=error \
             --soc_version=${soc_version}  
         

         • 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uniformer_bs${bs}.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。

      python -m ais_bench --model=uniformer_bs${bs}.om --input=./pre_data --output=./ --output_dirname=./result --batchsize=${batch_size}  
      

      • 参数说明：

        • model：om模型地址
        • input：预处理数据
        • output：推理结果保存路径
        • output_dirname:推理结果保存子目录

      推理后的输出保存在当前目录result下。

   3. 精度验证。

      调用脚本uniformer_postprocess.py

      python uniformer_postprocess.py --dataset=coco --bin=result
      

      • 参数说明：

        • bin：为生成推理结果所在路径

        • dataset：数据集目录

   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：

      python -m ais_bench --model=uniformer_bs${bs}.om --loop=100 --batchsize=${batch_size}
      

      • 参数说明：
        • --model：om模型路径
        • --batchsize：batchsize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	coco	93.5	178.8
300I Pro	4	coco		210
300I Pro	8	coco		295
300I Pro	16	coco		286
300I Pro	32	coco		257
300I Pro	64	coco		243