SE-ResNet50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

• 配套环境

  ---

概述

SE-ResNet50是Squeeze-and-Excitation Networks论文基于ResNet50的实现。

• 参考实现：

  url=https://github.com/Cadene/pretrained-models.pytorch.git
  branch=master
  commit_id=8aae3d8f1135b6b13fed79c1d431e3449fdbf6e0
  model_name=SE-ResNet50
  

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 224 x 224	NCHW

• 输出数据

  输出数据	大小	数据类型	数据排布格式
  output1	batchsize x 1000	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

快速上手

获取源码

1. 获取源码。

   git clone -b master https://github.com/Cadene/pretrained-models.pytorch.git
   cd pretrained-models.pytorch
   git reset --hard 8aae3d8f1135b6b13fed79c1d431e3449fdbf6e0
   cd ..
   

2. 安装依赖。

   pip3 install -r requirements.txt
   cd pretrained-models.pytorch
   python3 setup.py install
   cd ..
   

准备数据集

1. 获取原始数据集。

   该模型使用ImageNet官网的5万张验证集进行测试，以ILSVRC2012为例，上传数据集到服务器任意目录并解压（如：/home/HwHiAiUser/dataset）。本模型将使用到ILSVRC2012_img_val.tar验证集及ILSVRC2012_devkit_t12.gz中的val_label.txt数据标签。解压后数据集结构如下：

   ├── imageNet
       ├── val
           ├── ILSVRC2012_val_00000001.JPEG
               ...
           ├── ILSVRC2012_val_00050000.JPEG
       ├── val_label.txt
   

2. 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SE_ResNet50_preprocess.py脚本，完成预处理。

   python3 SE_ResNet50_preprocess.py resnet ${data_path}/imageNet/val ./pre_data
   

   第一个参数为模型类型，第二个参数为测试图像路径，第三个参数为预处理数据保存路径。

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。

   参考源码说明获取权重文件，权重文件链接为：http://data.lip6.fr/cadene/pretrainedmodels/se_resnet50-ce0d4300.pth。

   在当前目录下可通过wget命令获取。

   wget http://data.lip6.fr/cadene/pretrainedmodels/se_resnet50-ce0d4300.pth --no-check-certificate
   

   2. 导出onnx文件。

      1. 使用SE_ResNet50_pth2onnx.py导出onnx文件。

         运行SE_ResNet50_pth2onnx.py脚本。

         python3 SE_ResNet50_pth2onnx.py \
             --pth=./se_resnet50-ce0d4300.pth \
             --onnx=./se_resnet50_dybs.onnx
         

         • 参数说明：

           • --pth：表示权重文件。
           • --onnx：表示onnx保存文件。

         在当前目录下获得se_resnet50_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
         

         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=./se_resnet50_dybs.onnx \
             --input_format=NCHW \
             --input_shape="image:${batchsize},3,224,224" \
             --output=./se_resnet50_bs${batchsize} \
             --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。

         ${batchsize}表示转出不同batchsize的om模型，当前可支持的batchsize为：1，4，8，16，32，64。 运行成功后生成`./se_resnet50_bs${batchsize}.om`模型文件。

2. 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=./se_resnet50_bs${batchsize}.om \
       --input=./pre_data \
       --output=./ \
       --outfmt=TXT \
       --batchsize=${batch_size}
   

   • 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。
     • --outfmt：推理结果保存格式。
     • --batchsize：om模型的batchsize。

   ${batchsize}表示不同batch的om模型。

   推理完成后在当前SENet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。

   调用脚本与数据集标签val_label.txt比对，可以获得Accuracy数据，结果保存在result_bs${batchsize}.json中。

   python3 SE_ResNet50_postprocess.py ${output_path}/xxxx_xx_xx-xx_xx_xx {data_path}/imageNet/val_label.txt ./ result_bs${batchsize}.json
   

   第一个参考为ais_bench推理工具推理结果路径，第二个参数为标签文件val_label.txt路径，第三个参数为精度结果文件保存路径，第四个参数为不同batchsize精度结果文件名称。

   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=${om_model_path} --loop=20 --batchsize=${batch_size}
   

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。