SSD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

SSD将detection转化为regression的思路，可以一次完成目标定位与分类。该算法基于Faster RCNN中的Anchor，提出了相似的Prior box；该算法修改了传统的SSD网络：将SSD的FC6和FC7层转化为卷积层，去掉所有的Dropout层和FC8层。同时加入基于特征金字塔的检测方式，在不同感受野的feature map上预测目标。

• 参考实现：

  url=https://github.com/open-mmlab/mmdetection.git
  branch=master
  commit_id=a21eb25535f31634cef332b09fc27d28956fb24b
  model_name=ssd
  

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 300 x 300	NCHW

• 输出数据

  输出数据	数据类型	大小	数据排布格式
  boxes	FLOAT32	batchsize x 8732 x 4	ND
  labels	FLOAT32	batchsize x 8732 x 80	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	1.0.15	Pytorch框架推理环境准备
  CANN	5.1.RC2	-
  Python	3.7.13	-
  PyTorch	1.9.0	-
  说明：Atlas 300I Duo 推理卡请以CANN版本选择实际固件与驱动版本。	\	\

• 该模型需要以下依赖

  表 1 依赖列表

  依赖名称	版本
  torch	1.8.1
  torchvision	0.9.1
  onnx	1.7.0
  onnxruntime	1.12.0
  numpy	1.21.6
  Opencv-python	4.2.0.34
  mmpypycocotools	12.0.3
  mmcv-full	1.2.7
  mmdet	2.8.0
  protobuf	3.20.0
  decorator	\

快速上手

获取源码

1. 获取SSD源代码并修改mmdetection。

   git clone https://github.com/open-mmlab/mmdetection.git
   cd mmdetection
   git reset --hard a21eb25535f31634cef332b09fc27d28956fb24b
   patch -p1 < ../ssd_mmdet.diff
   pip install -v -e .
   cd ..
   

2. 安装依赖。

   pip3 install -r requirements.txt
   

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）

   推理数据集采用 coco_val_2017，数据集下载后存放路径：dataset=/root/datasets/coco

   目录结构：

   ├── coco
   │    ├── val2017
   │    ├── annotations
   │         ├──instances_val2017.json
   

2. 数据预处理。

   将原始数据集转换为模型输入的二进制数据。执行 ssd_preprocess.py 脚本。

   python ssd_preprocess.py \
          --image_folder_path $dataset/val2017 \
          --bin_folder_path val2017_ssd_bin
   

   • 参数说明：

     • --image_folder_path：原始数据验证集（.jpg）所在路径。
     • --bin_folder_path：输出的二进制文件（.bin）所在路径。

   每个图像对应生成一个二进制文件。

3. 生成数据集info文件。

   运行 get_info.py 脚本，生成图片数据info文件。

   python get_info.py jpg $dataset/val2017 coco2017_ssd_jpg.info
   

   • 参数说明：

     • 第一个参数：生成的数据集文件格式。
     • 第二个参数：预处理后的数据文件相对路径。
     • 第三个参数：生成的info文件名。

   运行成功后，在当前目录中生成 coco2017_ssd_jpg.info。

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。

      获取经过训练的权重文件：ssd300_coco_20200307-a92d2092.pth

   2. 导出onnx文件。

      使用pytorch2onnx.py导出onnx文件。

      python mmdetection/tools/pytorch2onnx.py \
              mmdetection/configs/ssd/ssd300_coco.py \
              ./ssd300_coco_20200307-a92d2092.pth \
              --output-file=ssd300_coco_dynamic_bs.onnx \
              --shape=300 \
              --mean 123.675 116.28 103.53 \
              --std 1 1 1
      

      • 参数说明：

        • --output-file：为ONNX模型文件。
        • --shape：输入的图片大小。
        • --mean：输入数据预处理均值。
        • --std：输入数据预处理方差。

      获得 ssd300_coco_dynamic_bs.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
         

      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。

      batchsize=8    # 以8batch为例
      atc --model=ssd300_coco_dynamic_bs.onnx \
           --framework=5 \
           --output=ssd300_coco_bs8 \
           --input_format=NCHW \
           --input_shape="input:${batchsize},3,300,300" \
           --log=error \
           --soc_version=Ascend${chip_name} \
           --buffer_optimize=off_optimize \
           --precision_mode=allow_fp32_to_fp16
      

      • 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。
        • --buffer_optimize：
        • --precision_mode：

        运行成功后生成 ssd300_coco_bs8.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。

      python -m ais_bench \
              --model ssd300_coco_bs8.om \
              --input ./val2017_ssd_bin \
              --batchsize 8 \
              --output out
      

      • 参数说明：

        • --model：为.OM模型文件的路径。
        • --input：转换之后的二进制数据集路径。
        • --batchsize：batch维度大小，与输入的.OM模型文件的batch维度一致。
        • --output：模型推理结果存放的路径。

      推理后的输出在 --output 所指定目录下。

   3. 精度验证。

      调用coco_eval.py评测map精度：

      det_path=postprocess_out
      python ssd_postprocess.py \
              --bin_data_path=out/2022_*/ \
              --score_threshold=0.02 \
              --test_annotation=coco2017_ssd_jpg.info \
              --nms_pre 200 \
              --det_results_path ${det_path}
      python txt_to_json.py --npu_txt_path ${det_path}
      python coco_eval.py --ground_truth /root/datasets/coco/annotations/instances_val2017.json
      

      • 参数说明：

        • --bin_data_path：为推理结果存放的路径。
        • --score_threshold：得分阈值。
        • --test_annotation：原始图片信息文件。
        • --nms_pre：每张图片获取框数量的阈值。
        • --det_results_path：后处理输出路径。
        • --npu_txt_path：后处理输出路径。
        • --ground_truth：instances_val2017.json文件路径。

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。

公网地址说明

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