GMA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

GMA着重解决光流估计中被遮挡点的光流估计问题。GMA定义的遮挡点是在当前帧中可见但在下一帧中不可见的点。以前的工作依赖CNN来学习遮挡，但收效不大，或者需要多帧并使用时间平滑度来推理遮挡。GMA通过对图像自相似性进行建模，来更好地解决遮挡问题。

• 参考实现：

  url=https://github.com/zacjiang/GMA
  commit_id=2f1fd29468a86a354d44dd25d107930b3f175043
  model_name=GMA
  

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
  input1	RGB_FP32	batchsize x 3 x 440 x 1024	NCHW
  input2	RGB_FP32	batchsize x 3 x 440 x 1024	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 3 x 440 x 1024	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	22.0.2	Pytorch框架推理环境准备
  CANN	6.0.RC1	-
  Python	3.7.5	-
  PyTorch	1.12.0	-
  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/zacjiang/GMA.git
   cd GMA
   git reset --hard 2f1fd29468a86a354d44dd25d107930b3f175043
   cd ..
   patch -p2 < GMA.patch
   

2. 安装依赖。

   pip3 install -r requirement.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MPI-Sintel-complete验证集。

   wget http://files.is.tue.mpg.de/sintel/MPI-Sintel-complete.zip --no-check-certificate
   

   将MPI_Sintel-complete文件夹解压并上传数据集到源码包路径data文件夹下。目录结构如下：

   data
   ├─ test 
   ├─ training
   ├─ flow_code
   └─ bundler
   

2. 数据预处理，将原始数据集转换为模型输入的数据。

   执行GMA_preprocess.py脚本，完成预处理。

   python3 GMA_preprocess.py --dataset ./GMA/data/training --output ./data_preprocessed_clean --status clean
   
   python3 GMA_preprocess.py --dataset ./GMA/data/training --output ./data_preprocessed_final --status final
   

   • 参数说明：

     • dataset：数据集地址
     • output：预处理数据保存地址
     • status：预处理数据模式

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。

      权重文件在源码仓checkpoint文件夹中

   2. 导出onnx文件。

      1. 使用GMA_pth2onnx.py导出onnx文件。

         运行GMA_pth2onnx.py脚本。

         python3 GMA_pth2onnx.py --input_file=./GMA/checkpoints/gma-sintel.pth --output_file=GMA_${bs}.onnx --batchsize=${bs}
         

         • 参数说明：

           • input_file：权重文件
           • output_file：onnx模型名称
           • batchsize：batchsize大小

         获得GMA.onnx文件。

      2. 请访问auto-optimizer改图工具代码仓，根据readme文档进行工具安装。

         python3 -m auto_optimizer optimize GMA_${bs}.onnx GMA_m_${bs}.onnx -k 4
         

         获得GMA_m.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 --input_shape="image1:${bs},3,440,1024;image2:${bs},3,440,1024" --output=GMA_bs${bs} --soc_version=Ascend${chip_name} --keep_dtype=keep.cfg --model=GMA_m_${bs}.onnx 
         

         • 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_shape：输入数据的shape。
           • --soc_version：处理器型号。
           • --keep_dtype:指定部分算子fp32

           运行成功后生成GMA_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。

      mkdir -p ./output_clean/bs${bs}
      python3 -m ais_bench --model=GMA_bs${bs}.om --batchsize=${bs} --input='data_preprocessed_clean/image1,data_preprocessed_clean/image2' --output=./output_clean  --output_dirname=bs${bs}
      
      mkdir ./output_final/bs${bs}
      python3 -m ais_bench --model=GMA_bs${bs}.om --batchsize=${bs} --input='data_preprocessed_final/image1,data_preprocessed_final/image2' --output=./output_final --output_dirname=bs${bs}  
      

      • 参数说明：

        • model：om文件路径。
        • input：输入预处理数据
        • output：推理结果保存路径

   3. 精度验证。

      调用GMA_postprocess.py脚本计算精度

      python3 GMA_postprocess.py --gt_path=./data_preprocessed_clean/gt --output_path=./output_clean/bs${bs}
      python3 GMA_postprocess.py --gt_path=./data_preprocessed_final/gt --output_path=./output_final/bs${bs}
      

      • 参数说明：

        • gt_path:标杆数据文件夹

        • output_path:推理输出数据

   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=GMA_bs${bs}.om --loop=100 --batchsize=${batch_size}
      

      • 参数说明：
        • --model：om模型
        • --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	Sintel	final：88.95%(1px) clean:92.65%(1px)	0.766
300I Pro	4	Sintel		0.772
300I Pro	8	Sintel		0.678
300I Pro	16	Sintel	内存超过，无法推理