CenterFace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

• 论文：CenterFace: Joint Face Detection and Alignment Using Face as Point

• 参考实现：

  url=https://gitee.com/andyrose/center-face.git
  branch=master
  commit_id=063db90e844fa0271abc14067b871f5afcbe6c60
  

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 800 x 800	NCHW

• 输出数据

  输出数据	数据类型	大小	数据排布格式
  output1	FLOAT32	1 x 40000	ND
  output2	FLOAT32	1 x 80000	ND
  output3	FLOAT32	1 x 80000	ND
  output4	FLOAT32	1 x 400000	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	1.0.17（NPU驱动固件版本为6.0.RC1）	Pytorch框架推理环境准备
  CANN	6.0.RC1	-
  Python	3.7.5	-

快速上手

获取源码

1. 获取源码。

   git clone https://gitee.com/Levi990223/center-face.git
   

2. 整理代码结构

   mv centerface_pth_preprocess.py centerface_pth_postprocess.py convert.py pth2onnx.py aipp_centerface.aippconfig ./center-face/src
   

准备数据集

1. 获取原始数据集。

   获取WIDER_FACE数据集，在center-face目录下创建一个data目录，然后将下载下来的图片数据放在这个data目录下。目录结构如下：

   center-face
   ├── data
   │   ├── img1
   │   |  ├── img.jpg
   │   ├── img2
   │   |  ├── img.jpg
   │   ├── img3
   │   |  ├── img.jpg
   

2. 获取权重文件model_best.pth。放在center-face/src/目录下。

3. 数据预处理，将原始数据集转换为模型输入的数据。

   1. 在center-face/src路径下，执行以下命令编译nms。

      cd lib/external/
      python setup.py build_ext --inplace
      cd ../../
      

   2. 执行centerface_pth_preprocess.py脚本，完成预处理。

      python centerface_pth_preprocess.py ../data ../after_images/
      
      • 参数说明：
        • ../data: 原始数据验证集所在路径。
        • ../after_images/: 输出的二进制文件保存路径。

      运行成功后，生成after_images文件夹，after_images目录下生成的是供模型推理的bin文件。

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model_best.pth。

   2. 导出onnx文件。

      使用pth2onnx.py导出onnx文件。将pth2onnx.py移动到center-face/src/lib目录下

      在center-face/src/lib目录下，运行pth2onnx.py脚本。

      python pth2onnx.py
      

      在目录center-face/src下，获得 CenterFace.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
         source /etc/profile
         

      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. 切换目录到center-face/src下，执行ATC命令。

         atc --framework=5 --model=CenterFace.onnx --input_format=NCHW --input_shape="image:1,3,800,800" --output=CenterFace_bs1 --log=debug --soc_version=${chip_name} --enable_small_channel=1 --insert_op_conf=aipp_centerface.aippconfig
         

         • 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CenterFace_bs1.om模型文件。

2. 开始推理验证。

   1. 安装ais_bench推理工具。

      ais_bench推理工具获取及使用方式请点击查看 ais_bench 推理工具使用文档

   2. 执行推理。

      python -m ais_bench --model CenterFace_bs1.om --input ../after_images/ --output result --output_dirname dumpout_bs1 --batchsize 1
      

      • 参数说明：

        • --model：om模型的路径。
        • --input：输入模型的二进制文件路径。
        • --output：推理结果输出目录。
        • --output_dirname：推理结果输出的二级目录名。
        • --batchsize：输入数据的batchsize。

      推理后的输出在当前目录result下。

   3. 处理目录result/dumpout_bs1下的bin文件，将该目录下的文件分类别存放，以便于后处理。

      在center-face/src目录下，执行convert.py文件

      mkdir result/result
      python convert.py ./result/dumpout_bs1/ ./result/result
      

   4. 精度验证。

      在center-face/src目录下，调用脚本centerface_pth_postprocess.py进行推理结果的后处理。需要将center-face/evaluate/groud_truth路径下的wider_face_val.mat拷贝至center-face/src路径下

      1. 执行后处理脚本

         python centerface_pth_postprocess.py
         

      2. 在center-face/evaluate目录下，执行以下命令编译bbox。

         python setup.py build_ext --inplace
         

      3. 精度验证。在center-face/evaluate目录下，执行evaluation.py文件进行精度验证。

         python evaluation.py
         

   5. 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=CenterFace_bs1.om --loop=20 --batchsize=${batch_size}
      
      • 参数说明：
        • --model：om模型的路径
        • --batchsize：数据集batch_size的大小

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。