7ea8f2f9创建于 2024年11月28日历史提交

文件	最后提交记录	最后更新时间
.keep	init	4 年前
LICENSE	init	4 年前
README.md	!6851 [Clean Code] 修改芯片型号描述 Merge pull request !6851 from 施康/master	1 年前
Real-ESRGAN_postprocess.py	init	4 年前
Real-ESRGAN_preprocess.py	init	4 年前
Real-ESRGAN_pth2onnx.py	!1616 [西安交通大学][高校贡献][Pytorch离线推理]Real-ESRGAN-初次提交 * 7th	3 年前
modelzoo_level.txt	init	4 年前
requirements.txt	!1616 [西安交通大学][高校贡献][Pytorch离线推理]Real-ESRGAN-初次提交 * 7th	3 年前

Real-ESRGAN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

Real-ESRGAN 旨在开发通用图像恢复的实用算法。作者将强大的使用纯合成数据进行训练的 ESRGAN 扩展到实际的恢复应用程序（即 Real-ESRGAN）。作者在ESRGAN的基础上进行改进，在以RRDB(residual in residual dense block)为主要模块的ESRGAN的基础上，提出了一种更符合真实世界的退化策略，使用模糊核、噪声、尺寸缩小、压缩四种操作的随机顺序退化图像，并使用新构建的数据集进行训练，最终在真实图像上取得了显著的效果。

参考实现：

url=https://github.com/xinntao/Real-ESRGAN.git
branch=master
commit_id=c9023b3d7a5b711b0505a3e39671e3faab9de1fe
model_name=Real-ESRGAN

输入输出数据

输入数据
- 精度测试
  
  输入数据数据类型大小数据排布格式
  
  input.1 RGB_FP32 batchsize x 3 x 220 x 220 NCHW
- 性能测试
  
  输入数据数据类型大小数据排布格式
  
  input.1 RGB_FP32 batchsize x 3 x 64 x 64 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 880 x 880 NCHW

输入数据	数据类型	大小	数据排布格式
input.1	RGB_FP32	batchsize x 3 x 220 x 220	NCHW

输入数据	数据类型	大小	数据排布格式
input.1	RGB_FP32	batchsize x 3 x 64 x 64	NCHW

输出数据	数据类型	大小	数据排布格式
output	RGB_FP32	batchsize x 3 x 880 x 880	NCHW

推理环境准备[所有版本]

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	1.0.16（NPU驱动固件版本为5.1.RC2）	Pytorch框架推理环境准备
CANN	5.1.RC2	-
Python	3.7.5	-

快速上手

获取源码

获取源码。

git clone https://github.com/xinntao/Real-ESRGAN.git  
cd Real-ESRGAN 
git reset c9023b3d7a5b711b0505a3e39671e3faab9de1fe --hard

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

准备数据集

获取原始数据集。

推理数据集代码仓已提供，并且放置在代码仓./Real-ESRGAN/inputs目录
数据预处理。

数据预处理将原始数据集转换为模型输入的数据：

执行ESRGAN_preprocess.py脚本，完成预处理。
- 对于性能测试使用64x64的输入
```
python3 Real-ESRGAN_preprocess.py ./Real-ESRGAN/inputs/ ./prep_dataset_bin_64 64 64
```
- 对于精度测试使用220x220的输入
```
python3 Real-ESRGAN_preprocess.py ./Real-ESRGAN/inputs/ ./prep_dataset_bin_220 220 220
```
- 参数说明：
  - ./Real-ESRGAN/inputs/ 为输入的图像目录路径
  - ./prep_dataset_bin 为输出bin文件路径
  - 220 220 输出后的bin文件被裁剪为220x220的大小
运行成功后会生成名为prep_dataset_bin_64和prep_dataset_bin_220目录，其中包含裁剪后的图像，并以bin的格式存储。

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。

将权重文件RealESRGAN_x4plus.pth放到experiments/pretrained_models/目录

mkdir -p experiments/pretrained_models
wget https://github.com/xinntao/Real-ESRGAN/releases/download/v0.1.0/RealESRGAN_x4plus.pth -P experiments/pretrained_models

导出onnx文件。

使用Real-ESRGAN_pth2onnx.py导出onnx文件。

运行./Real-ESRGAN_pth2onnx.py脚本。
```
python3 ./Real-ESRGAN_pth2onnx.py --bs=${batch_size} --input_size=220 --onnx_output=./realesrgan-x4-bs${batchsize}.onnx
```
- 参数说明：
  - --bs: 为输入图像的batch_size，默认为1
  - --input_size 为输入图像尺寸，默认为220
  - --onnx_output 为onnx输出路径，默认为realesrgan-x4.onnx
此处，导出onnx模型时需要指定输入的尺寸，若需进行精度推理则使用220x220，若需进行性能推理则使用默认尺寸64x64

最终获得realesrgan-x4-bs${batchsize}.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
```
说明： 该脚本中环境变量仅供参考，请以实际安装环境配置环境变量。详细介绍请参见《CANN 开发辅助工具指南 (推理)》。

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=realesrgan-x4-b${batchsize}.onnx --output=realesrgan_bs${batchsize} --input_format=NCHW --input_shape="input.1:{batchsize},3,64,64" --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。
精度推理需要将--input_shape设置为"input.1:1,3,220,220"，性能推理需要将--input_shape设置为"input.1:1,3,64,64"。

运行成功后生成realesrgan_bs${batchsize}.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 ./realesrgan_bs${batchsize}.om --batchsize ${batchsize} --output ./result --input ./prep_dataset_bin
```
  - 参数说明：
    - --model：om模型路径
    - --batchsize：batchisize大小
    - --output: 输出路径
    - --input：输入bin文件目录
  推理后的输出默认在当前目录result下。
  
  说明： 在进行精度推理时，需要指定输入图像的路径并使用输入尺寸为 $220 \times 220$ 的om模型。
3. 精度验证由于代码仓与论文当中并没有提供精度指标，作者是在代码仓的inputs文件夹下进行的推理，生成原图的恢复图像。所以我们参考作者的方法，在npu上进行了图像推理，精度看图像生成的效果。在离线推理结束后，使用脚本将输出的BIN文件，进行后处理得到恢复后的图像。生成的图像保存在img_path文件夹下。
```
rm -rf ./img_path
mkdir ./img_path
python3 Real-ESRGAN_postprocess.py  ./result/dumpOutput_device0  ./img_path
```
  - 参数说明：
    - ./result/dumpOutput_device0：为推理生成的bin文件
    - img_path：为生成图像结果文件
  将生成图像结果文件，打开并查看模型效果。
4. 性能验证
```
python3 -m ais_bench --model ./realesrgan_bs${batchsize}.om --batchsize ${batchsize} --output ./result --outfmt BIN --loop 5
```
  - 参数说明：
    - --model：om模型路径
    - --batchsize：batchisize大小
    - --output: 输出路径
    - --outfmt: 输出文件格式
    - --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。

性能对比

Throughput	300I PRO	T4	300I PRO/T4
bs1	183.9636	12.5324	14.68
bs4	251.6356	19.7268	12.76
bs8	171.9542	21.9474	7.83
bs16	142.1262	22.0155	6.46
bs32	135.5650	22.6540	5.98

最优batch	251.6356	22.6540	11.11

精度对比

原始输入图像
推理结果图：