Cross-Scale-Non-Local-Attention 模型推理指导

• 概述
  • 输入输出数据
• 推理环境
• 快速上手
  • 获取源码
  • 准备数据集
  • 模型转换
  • 推理验证
• 性能&精度

概述

在自然图像中，跨尺度的图像相似性是普遍的，本文使用跨尺度的Non-Local注意力模型，有效挖掘图像内部先验知识，在多个实验中证明所提出的方法在多个SISR基准测试中取得了最先进的性能。

• 论文
  Image Super-Resolution with Cross-Scale Non-Local Attention and Exhaustive Self-Exemplars Mining
  Yiqun Mei, Yuchen Fan, Yuqian Zhou, Lichao Huang, Thomas S. Huang, Humphrey Shi

• 参考实现：
  https://github.com/SHI-Labs/Cross-Scale-Non-Local-Attention.git

输入输出数据

• 模型输入

  input-name	data-type	data-format	input-shape
  input.1	FLOAT32	NCHW	batch_size x 3 x 56 x 56

• 模型输出

  output-name	data-type	data-format	output-shape
  output1	FLOAT32	NCHW	batch_size x 3 x 224 x 224

推理环境

• 该模型推理所需配套的软件如下：

  配套	版本	环境准备指导
  固件与驱动	1.0.17	Pytorch框架推理环境准备
  CANN	6.0.RC1	-
  Python	3.7.5	-

  说明：请根据推理卡型号与 CANN 版本选择相匹配的固件与驱动版本。

快速上手

安装

• 安装推理过程所需的依赖

  pip3 install -r requirements.txt
  

• 获取源码

  git clone https://github.com/SHI-Labs/Cross-Scale-Non-Local-Attention.git -b master
  cd Cross-Scale-Non-Local-Attention/
  git reset af168f99afad2d9a04a3e4038522987a5a975e86 --hard
  cd ../
  

准备数据集

1. 获取原始数据集
   本模型推理项目使用 Set5 数据集验证模型精度，请点击 set5 自行下载，并按照以下的目录结构存放图片与标签文件。

   Cross-Scale-Non-Local-Attention
   ├── Set5
   │   ├── HR
   │   ├── LR_bicubic
   │   │   ├── X2
   │   │   ├── X3
   │   │   ├── X4
   

2. 数据预处理
   执行前处理脚本将原始数据转换为OM模型输入需要的bin/npy文件。

   python3 CSNLN_preprocess.py --s  ./Set5/LR_bicubic/X4/ --d prep_dataset
   

   其中"s"表示处理前原数据集的地址，"d"表示生成数据集的文件夹名称

模型转换

1. PyTroch 模型转 ONNX 模型

   获取权重文件model_x4.pt

   然后执行执行以下命令生成 ONNX 模型：

   python3 CSNLN_pth2onnx.py --n_feats 128 --pre_train model_x4.pt --save csnln_x4.onnx
   

   参数说明：

   • --n_feats : 特征大小。
   • --pre_train : 权重文件路径。
   • --save : onnx保存路径。

2. ONNX 模型转 OM 模型

   step1: 查看NPU芯片名称 ${chip_name}

   npu-smi info
   

   例如该设备芯片名为 310P3，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                            |
   +===================+=================+======================================================+
   

   step2: ONNX 模型转 OM 模型

   # 配置环境变量
   source /usr/local/Ascend/ascend-toolkit/set_env.sh
   
   chip_name=310P3  # 根据 step1 的结果设值
   batch_size=1  # 根据需要自行设置 
   
   # 执行 ATC 进行模型转换
   atc --model=./csnln_x4_perf.onnx \
       --framework=5 \
       --output=csnln_x4_bs1 \
       --input_format=NCHW \
       --input_shape="input.1:1,3,56,56" \
       --log=error \
       --soc_version=Ascend${chip_name} 
   
   

   参数说明：

   • --framework: 5代表ONNX模型
   • --model: ONNX模型路径
   • --input_shape: 模型输入数据的shape
   • --input_format: 输入数据的排布格式
   • --output: OM模型路径，无需加后缀
   • --log：日志级别
   • --soc_version: 处理器型号

推理验证

1. 对数据集推理
   该离线模型使用ais_infer作为推理工具，请参考安装文档安装推理后端包aclruntime与推理前端包ais_bench。完成安装后，执行以下命令预处理后的数据进行推理。

   python3 -m ais_bench \
       --model csnln_x4_bs1.om \
       --input ./prep_dataset/bin_56 \ 
       --output ./result/ \
       --outfmt BIN \
       --batchsize 1
   

   参数说明：

   • --model OM模型路径
   • --input 存放预处理后数据的目录路径
   • --output 用于存放推理结果的父目录路径
   • --outfmt 推理结果文件的保存格式
   • --batchsize 模型每次输入bin文件的数量

2. 性能验证
   对于性能的测试，需要注意以下三点：

   • 测试前，请通过npu-smi info命令查看NPU设备状态，请务必在NPU设备空闲的状态下进行性能测试。
   • 为了避免测试过程因持续时间太长而受到干扰，建议通过纯推理的方式进行性能测试。
   • 使用吞吐率作为性能指标，单位为 fps，反映模型在单位时间（1秒）内处理的样本数。

   python3 -m ais_bench --model csnln_x4_bs1.om --batchsize 1
   

   执行完纯推理命令，程序会打印出与性能相关的指标，找到以关键字 [INFO] throughput 开头的一行，行尾的数字即为 OM 模型的吞吐率。

3. 精度验证

   执行后处理脚本，根据推理结果计算OM模型的精度：

   python3 CSNLN_postprocess.py --hr  ./Set5/HR/ --res result/dumpOutput_device0 --save_path res_png
   

   参数说明：

   • --hr：生成推理结果所在路径。
   • --res：标签数据。
   • --save_path：生成结果文件。
   • --json-file-name: 精度文件名。
   • --batch-size: 输入文件数量。

性能&精度

在300I PRO设备上，OM模型的精度为

备注：由于内存限制，离线模型不支持多batch