M2Det ONNX模型端到端推理指导

• 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

  ---

概述

特征金字塔被广泛应用于目标检测中(one-stage的DSSD、RetinaNet、RefineDet和two-stage的Mask R-CNN、DetNet)，主要解决物体检测中的目标多尺度问题。M2Det构建了更加高效的特征金字塔，以提高不同尺寸目标的检测准确率。M2Det抽取了主干特征，对特征进行各种融合、操作，提取出金字塔，尺度有大有小在金字塔上进行检测。

• 参考论文：M2Det: A Single-Shot Object Detector based on Multi-Level Feature Pyramid Network

• 参考实现：

  url=https://github.com/qijiezhao/M2Det
  branch=master
  commit_id=de4a6241bf22f7e7f46cb5cb1eb95615fd0a5e12
  

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
  image	RGB_FP32	batchsize x 3 x 512 x 512	NCHW

• 输出数据

  输出数据	大小	数据类型	数据排布格式
  boxes	(batchsize x 32760) x 81	FLOAT32	ND
  scores	batchsize x 32760 x 4	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 https://github.com/qijiezhao/M2Det
   cd M2Det
   git reset --hard de4a6241bf22f7e7f46cb5cb1eb95615fd0a5e12
   patch -p1 < ../M2Det.patch
   sh make.sh
   mkdir weights
   mkdir logs
   mkdir eval
   cd ..
   mkdir result
   

2. 安装依赖。

   pip3.7.5 install -r requirements.txt
   

​

准备数据集

1. 获取原始数据集。 本模型支持coco2017 5000张图片的验证集。 用户需自行获取数据集，将instances_val2017.json文件和val2017文件夹解压并上传数据集到服务器任意文件夹。 coco2017验证集所需文件目录参考（只列出该模型需要的目录）。

   数据集目录结构如下:

      |-- coco2017                // 验证数据集
          |-- instances_val2017.json    //验证集标注信息  
          |-- val2017             // 验证集文件夹
   

2. 数据预处理。

   将原始数据转化为二进制文件（.bin）。

   执行M2Det_preprocess.py脚本，生成数据集预处理后的bin文件，存放在当前目录下的pre_dataset文件夹中。

   python3.7.5 M2Det_preprocess.py --config=./M2Det/configs/m2det512_vgg.py --save_folder=pre_dataset --COCO_imgs=${coco2017_path} --COCO_anns=${coco2017_path}
   
   • 参数说明
     • --config：模型配置文件。
     • --save_folder：预处理后的数据文件保存路径。
     • --COCO_imgs：数据集images存放路径。
     • --COCO_anns：数据集标注信息存放路径。

   执行gen_dataset_info.py脚本，生成原始图片数据集的info文件，包括了路径和shape。

   python3.7.5 gen_dataset_info.py jpg ${coco2017_path}/val2017 coco_images.info
   
   • 参数说明
     • jpg：输入文件类型，不需要修改。
     • ${coco2017_path}/val2017：数据集images存放路径。
     • coco_images.info：预处理后的数据集info文件保存路径。

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。

      从ModelZoo的源码包中获取m2det512_vgg.pth、vgg16_reducedfc.pth权重文件m2det512_vgg.pth， vgg16_reducedfc.pth, 放在目录M2Det/weights下。

   2. 导出onnx文件。

      1. 使用M2Det_pth2onnx.py导出onnx文件。

         运行M2Det_pth2onnx.py脚本。

         python3.7.5 M2Det_pth2onnx.py --c=./M2Det/configs/m2det512_vgg.py --pth=./M2Det/weights/m2det512_vgg.pth --onnx=m2det512.onnx
         

         获得m2det512.onnx文件。

         • 参数说明：
           • --c：配置文件。
           • --pth：权重文件。
           • --onnx：输出文件名称。

   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。

         使用atc将onnx模型转换为om模型文件，工具使用方法可以参考《CANN 开发辅助工具指南 (推理)》。生成转换batch size为4的om模型的命令如下，对于其他的batch size，可作相应的修改。

         atc --framework=5 --model=m2det512.onnx --input_format=NCHW --input_shape="image:4,3,512,512" --output=m2det512_bs4 --log=debug --soc_version=Ascend${chip_name} --out_nodes="Softmax_1234:0;Reshape_1231:0"
         
         • 参数说明：
           • --framework：5代表ONNX模型。
           • --model：为ONNX模型文件。
           • --input_format：输入数据的格式。
           • --input_shape：输入数据的shape。
           • --output：输出的OM模型。
           • --log：日志级别。
           • --soc_version：处理器型号。
           • --out_nodes: 指定输出节点。指定的输出节点必须放在双引号中，节点中间使用英文分号分隔。node_name必须是模型转换前的网络模型中的节点名称，冒号后的数字表示第几个输出，例如node_name1:0，表示节点名称为node_name1的第1个输出。 当选择的torch版本不同是可能会改变算子序号，如果torch不同请查看对应onnx文件算子进行相应的修改。

         注：若atc执行出错，错误代码为E10016，请使用Netron工具查看对应Reshape节点和Softmax节点，并修改out_nodes参数。

         运行成功后生成m2det512_bs4.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。

      python3.7.5 -m ais_bench --model m2det512_bs4.om --batchsize 4 --input ./pre_dataset --output ./result --outfmt "BIN" --device 0
      

      • 参数说明：

        • --model: 需要进行推理的om离线模型文件。
        • --batchsize: 模型batchsize。
        • --input: 模型需要的输入，指定输入文件所在的目录即可。
        • --output: 推理结果保存目录。结果会自动创建”日期+时间“的子目录，保存输出结果。可以使用--output_dirname参数，输出结果将保存到子目录output_dirname下。
        • --outfmt: 输出数据的格式。设置为"BIN"用于后续精度验证。
        • --device: 指定NPU运行设备。取值范围为[0,255]，默认值为0。

        推理后的输出默认在当前目录result下。

   3. 精度验证。

      调用M2Det_postprocess.py脚本，可以获得Accuracy数据，精度结果保存在result/detection-results_0/COCO/detections_val2017_results.json。

      python3.7.5 M2Det_postprocess.py --bin_data_path=./result/2023_01_08-22_37_53/ --bin_summary_path=./result/2023_01_08-22_37_53_summary.json --test_annotation=coco_images.info --det_results_path==result/detection-results_0_bs4 --net_out_num=2 --prob_thres=0.1 --COCO_imgs=/opt/npu/coco2017/val2017 --COCO_anns=/opt/npu/coco2017/annotations --is_ais_infer
      
      • 参数说明：
        • --bin_data_path：推理结果所在路径（根据具体的推理结果进行修改）。
        • --bin_summary_path: 推理结果summary.json文件所在路径（根据具体的推理结果进行修改）。
        • --test_annotation：验证集数据信息。
        • --det_results_path=：生成结果文件。
        • --net_out_num：网络输出类型个数（此处为score,box，2个）。
        • --prob_thres：参数阈值。
        • --COCO_imgs：coco数据集images路径。
        • --COCO_anns：coco数据集annotations路径。
        • --is_ais_infer：使用ais_bench推理工具。

   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：

       python3.7.5 -m ais_bench --model m2det512_bs4.om --batchsize 4 --output ./result --loop 1000 --device 0
      
      • 参数说明：
        • --model：需要进行推理的om模型。
        • --batchsize：模型batchsize。不输入该值将自动推导。当前推理模块根据模型输入和文件输出自动进行组batch。参数传递的batchszie有且只用于结果吞吐率计算。请务必注意需要传入该值，以获取计算正确的吞吐率。
        • --output: 推理结果输出路径。默认会建立"日期+时间"的子文件夹保存输出结果。
        • --loop: 推理次数。默认值为1，取值范围为大于0的正整数。
        • --device: 指定NPU运行设备。取值范围为[0,255]，默认值为0。

   ​

模型推理性能&精度

调用ACL接口推理计算，精度和性能参考下列数据。