CenterNet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

CenterNet 是在 2019 年提出的用于目标检测的模型，相比传统依靠 anchors的检测网络，CenterNet 是一种 anchor-free 的目标检测网络，其输出主要为heatmap，获取该热力图分布的中心点即作为目标的中心点。而目标的其他输出，如尺寸和偏移量等则通过在特征图中通过回归得到，这种方法原理简单，兼容性强，在速度和精度上都比较有优势。

论文：

Objects as Points: Xingyi Zhou, Dequan Wang, Philipp Krähenbühl.(2019)

参考实现：

url= https://github.com/xingyizhou/CenterNet 
branch=master 
commit_id=2b7692c377c6686fb35e473dac2de6105eed62c6

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 512 x 512 NCHW

输入数据	数据类型	大小	数据排布格式
input	RGB_FP32	batchsize x 3 x 512 x 512	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 80 x 128 x 128	ND
output2	FLOAT32	batchsize x 2 x 128 x 128	ND
output3	FLOAT32	batchsize x 2 x 128 x 128	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 -

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	-

快速上手

获取源码

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

获取源码并安装。

 source /usr/local/Ascend/ascend-toolkit/set_env.sh

 git clone https://github.com/xingyizhou/CenterNet
 cd CenterNet/src/lib/models/networks
 rm -r DCNv2
 rm -r pose_dla_dcn.py
 git clone https://github.com/jinfagang/DCNv2_latest.git
 mv DCNv2_latest DCNv2
 cd DCNv2
 rm -r dcn_v2.py
 cd ../../../../../../
 mv dcn_v2.py CenterNet/src/lib/models/networks/DCNv2
 mv pose_dla_dcn.py DCNv2.patch CenterNet/src/lib/models/networks

 cd CenterNet/src/lib/external
 make
 cd ../models/networks/DCNv2
 python setup.py build develop
 cd ../../../../../../
 export PYTHONPATH=./CenterNet/src/:$PYTHONPATH

在编译可变形卷积的时候可能出现编译不成功的情况，如果出现下面这类错误，通过打补丁的形式修改相应文件。
```
error: ‘TORCH_CHECK_ARG’ was not declared in this scope
error: command '/usr/bin/g++' failed with exit code 1
```
1）cd到CenterNet/src/lib/models/networks目录下，执行以下命令打补丁
```
patch -p0 < DCNv2.patch
```
2）最后再重新执行python setup.py build develop进行编译，即可成功

准备数据集

获取原始数据集。

获取COCO数据集：coco2017，下载其中val2017图片及其标注文件（2017 Val images，2017 Train/Val annotations），放入CenterNet/data/coco/路径下，val2017目录存放coco数据集的验证集图片，“annotations”目录存放coco数据集的“instances_val2017.json”。目录结构如下：
```
CenterNet
├── data
│   ├── coco
│   │   ├── annotations
│   │   ├── val2017
```
数据预处理，将原始数据集转换为模型输入的数据。

执行CenterNet_preprocess.py脚本，完成预处理。
```
python CenterNet_preprocess.py data/coco/val2017 prep_dataset
```
参数说明：
- data/coco/val2017: 原始数据验证集所在路径。
- prep_dataset: 输出的二进制文件保存路径。
运行成功后，生成“prep_dataset”文件夹，prep_dataset目录下生成的是供模型推理的bin文件。

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。放在当前目录下 ctdet_coco_dla_2x.pth 提取码：d446
导出onnx文件。

使用ctdet_coco_dla_2x.pth导出onnx文件。

在CenterNet根目录下，运行CenterNet_pth2onnx.py脚本。
```
python CenterNet_pth2onnx.py ctdet_coco_dla_2x.pth CenterNet.onnx
```
获得CenterNet.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
source /etc/profile

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=CenterNet.onnx  --output=CenterNet_bs1 --input_format=NCHW --input_shape="actual_input:1,3,512,512" --out_nodes="Conv_1120:0;Conv_1123:0;Conv_1126:0" --log=info --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。
  运行成功后生成 CenterNet_bs1.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。
```
python -m ais_bench --model CenterNet_bs1.om --input prep_dataset --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. 精度验证。
  
  在CenterNet根目录下，执行脚本CenterNet_postprocess_s1.py
```
mkdir save
python CenterNet_postprocess_s1.py --bin_data_path=./result/dumpout_bs1/  --dataset=./data
```
  然后执行执行脚本CenterNet_postprocess_s2.py 获得模型精度信息
```
python CenterNet_postprocess_s2.py --dataset=./data
```
  - 参数说明：
    - --bin_data_path：推理结果文件路径
    - --dataset: 原始数据集路径
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：
```
python -m ais_bench --model=${om_model_path} --loop=20 --batchsize=${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。

Batch Size	数据集	精度	300I Pro	A500 A2
1	COCO2017	36.4	32.1448	6.743
4	COCO2017	-	34.1512	6.61
8	COCO2017	-	33.0343	6.72
16	COCO2017	-	33.6273	6.6
32	COCO2017	-	31.8843	6.65
		最优性能	34.1512	6.743

备注：

1.原官网pth精度 AP : 37.4 是在线推理时keep_res(保持分辨率)的结果，但由于离线推理需要固定shape，故需要去掉keep_res(保持分辨率)。去掉keep_res(保持分辨率)后，跑在线推理精度评估得到 AP : 36.6 ，故以 AP : 36.6 作为精度基准

2.onnx因包含npu自定义算子dcnv2而不能推理，故使用在线推理测试性能

3.原模型在线推理中仅实现batchsize=1的精度测试和性能测试

公网地址说明

代码涉及公网地址参考 public_address_statement.md

Ascend/ModelZoo-PyTorch

CenterNet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

公网地址说明

简介

发行版

贡献者

语言

近期动态

Ascend/ModelZoo-PyTorch .gitee-modal { width: 500px !important; }

CenterNet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

公网地址说明

简介

发行版

贡献者

语言

近期动态

搜索帮助

Ascend/ModelZoo-PyTorch