Rosetta_Resnet34_vd模型-推理指导

• 概述

• 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

概述

参考论文[Rosetta: Large Scale System for Text Detection and Recognition in Images]，Rosetta是用于图像中文本检测和识别的大规模系统，文本识别是使用称为 CTC 的全卷积模型完成的（因为它在训练期间使用序列到序列的 CTC 损失），该模型输出字符序列。最后一个卷积层在输入词的每个图像位置预测最可能的字符。

• 参考实现：

  url=https://github.com/PaddlePaddle/PaddleOCR.git
  branch=release/2.5
  commit_id=a40f64a70b8d290b74557a41d869c0f9ce4959d5
  model_name=Rosetta_Resnet34_vd
  

  通过Git获取对应commit_id的代码方法如下：

  git clone {repository_url}        # 克隆仓库的代码
  cd {repository_name}              # 切换到模型的代码仓目录
  git checkout {branch/tag}         # 切换到对应分支
  git reset --hard {commit_id}      # 代码设置到对应的commit_id（可选）
  cd {code_path}                    # 切换到模型代码所在路径，若仓库下只有该模型，则无需切换
  

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 32 x 100	NCHW

• 输出数据

  输出数据	大小	数据类型	数据排布格式
  output1	batchsize x 25 x 37	FLOAT32	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	-
paddlepaddle	2.3.2	-
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 release/2.5 https://github.com/PaddlePaddle/PaddleOCR.git
   cd PaddleOCR 
   git reset --hard a40f64a70b8d290b74557a41d869c0f9ce4959d5
   git apply ../Rosetta_Resnet34_vd.patch
   cd ..
   

2. 安装依赖。

   pip3 install -r requirements.txt
   cd PaddleOCR
   python3 setup.py install
   cd ..
   

   说明： 由于PaddlePaddle官方不支持arm架构，arm平台请通过源码编译安装。

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）

   该模型在以LMDB格式(LMDBDataSet)存储的IIIT, SVT, IC03, IC13, IC15, SVTP, CUTE数据集上进行评估，共计12067个评估数据，数据介绍参考[DTRB]，数据集[下载链接]。

   下载后将其中的evaluation.zip压缩包存放在Rosetta_Resnet34_vd目录下，并通过以下命令进行解压。

   mkdir -p ./train_data/data_lmdb_release/
   unzip -d ./train_data/data_lmdb_release/ evaluation.zip
   

2. 数据预处理。(请拆分sh脚本，将命令分开填写)

   数据预处理将原始数据集转换为模型输入的数据。

   在Rosetta_Resnet34_vd工作目录下，执行Rosetta_Resnet34_vd_preprocess.py脚本，完成预处理。

    python3 Rosetta_Resnet34_vd_preprocess.py \
        --config=PaddleOCR/configs/rec/rec_r34_vd_none_none_ctc.yml \
        --opt=bin_data=rosetta_bindata
   

   • 参数说明：

     • --config：模型配置文件。
     • --opt：bin文件保存路径。

   运行后在当前目录下的rosetta_bindata路径中保存生成的二进制数据。

模型推理

1. 模型转换。

   使用paddle2onnx将模型权重文件转换为.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。

训练权重链接为：

   在`Rosetta_Resnet34_vd`工作目录下可通过以下命令获取训练权重并转为推理模型。

   ```
   wget -nc -P ./checkpoint https://paddleocr.bj.bcebos.com/dygraph_v2.0/en/rec_r34_vd_none_none_ctc_v2.0_train.tar
   cd ./checkpoint && tar xf rec_r34_vd_none_none_ctc_v2.0_train.tar && cd ..
   python3 PaddleOCR/tools/export_model.py \
       -c PaddleOCR/configs/rec/rec_r34_vd_none_none_ctc.yml \
       -o Global.pretrained_model=./checkpoint/rec_r34_vd_none_none_ctc_v2.0_train/best_accuracy \
       Global.save_inference_dir=./inference/rec_rosetta
   ```
  
   - 参数说明：

        -   -c：模型配置文件。
        -   -o: 模型入参信息。
        -   Global.pretrained_model：权重文件保存路径。
        -   Global.save_inference_dir：paddleocr推理模型保存路径。

2. 导出onnx文件。

   1. 使用paddle2onnx工具导出onnx文件。

      在Rosetta_Resnet34_vd工作目录下通过运行以下命令获取onnx模型。

      paddle2onnx \
          --model_dir ./inference/rec_rosetta \
          --model_filename inference.pdmodel \
          --params_filename inference.pdiparams \
          --save_file ./Rosetta_Resnet34_vd.onnx \
          --opset_version 11 \
          --enable_onnx_checker True \
          --input_shape_dict="{'x':[-1,3,32,100]}"
      

      参数说明请通过paddle2onnx -h命令查看。

      运行后在Rosetta_Resnet34_vd目录下获得Rosetta_Resnet34_vd.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
      

      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)》。

   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=./Rosetta_Resnet34_vd.onnx \
           --output=./Rosetta_Resnet34_vd_bs${batchsize} \
           --input_format=NCHW --input_shape="x:${batchsize},3,32,100" \
           --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。

        ${batchsize}表示om模型可支持不同batch推理，可取值为：1，4，8，16，32，64。 运行成功后生成Rosetta_Resnet34_vd_bs${batchsize}.om模型文件。

4. 开始推理验证。

   a. 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。

   b. 执行推理。

   python3 -m ais_bench \
       --model=./Rosetta_Resnet34_vd_bs${batchsize}.om \
       --input=./rosetta_bindata \
       --output=./
   

   • 参数说明：

     • --model：om模型路径。
     • --input：bin文件路径。
     • --output：推理结果保存路径。

   ${batchsize}表示不同batch的om模型。

   推理完成后在当前Rosetta_Resnet34_vd工作目录生成推理结果。其目录命名格式为xxxx_xx_xx-xx_xx_xx(年_月_日-时_分_秒)，如2022_08_18-06_55_19。

   c. 精度验证。

   执行后处理脚本Rosetta_Resnet34_vd_postprocess.py，参考命令如下：

   python3 Rosetta_Resnet34_vd_postprocess.py \
       --config=PaddleOCR/configs/rec/rec_r34_vd_none_none_ctc.yml \
       --opt=results=${output_path}
   

   • 参数说明：

     • --config：模型配置文件。
     • --opt：推理结果路径。

   ${output_path}为推理结果的保存路径。

   推理结果通过屏显显示，如下：

   {'acc': 0.8063312499932668, 'norm_edit_dis': 0.9215117938321807}
   

   d. 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=./Rosetta_Resnet34_vd_bs${batchsize}.om \
       --loop=50 \
       --batchsize=${batchsize}
   

   • 参数说明：

     • --model：om模型路径。
     • --loop：推理次数。
     • --batchsize：om模型的batch。

   ${batchsize}表示不同batch的om模型。

   纯推理完成后，在ais_bench的屏显日志中throughput为计算的模型推理性能，如下所示：

   [INFO] throughput 1000*batchsize(16)/NPU_compute_time.mean(2.156799998283386): 7418.3976320171205
   

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	ICDAR 2015	{'acc': 0.8063312499932668, 'norm_edit_dis': 0.9215117938321807}	849.790 fps
300I Pro	4	ICDAR 2015	{'acc': 0.8063312499932668, 'norm_edit_dis': 0.9215117938321807}	3821.242 fps
300I Pro	8	ICDAR 2015	{'acc': 0.8063312499932668, 'norm_edit_dis': 0.9215117938321807}	4024.468 fps
300I Pro	16	ICDAR 2015	{'acc': 0.8063312499932668, 'norm_edit_dis': 0.9215117938321807}	7418.397 fps
300I Pro	32	ICDAR 2015	{'acc': 0.8063312499932668, 'norm_edit_dis': 0.9215117938321807}	4493.384 fps
300I Pro	64	ICDAR 2015	{'acc': 0.8063312499932668, 'norm_edit_dis': 0.9215117938321807}	4334.586 fps