中文|English

CRNN Tensorflow离线推理

此链接提供CRNN TensorFlow模型在NPU上离线推理的脚本和方法。原始训练模型请点击此链接: CRNN_for_Tensorflow

注意

此案例仅为您学习Ascend软件栈提供参考，不用于商业目的。

在开始之前，请注意以下适配条件。如果不匹配，可能导致运行失败。

快速指南

1. 拷贝代码

git clone https://gitee.com/ascend/ModelZoo-TensorFlow.git
cd ModelZoo-TensorFlow/tree/master/ACL_TensorFlow/built-in/cv/CRNN_for_ACL

2. 下载数据集和预处理

1.请自行下载IIIT5K/ICDAR03/SVT测试数据集，并将其放在 scripts/data/ 中

2.测试数据集和标签的预处理

cd scripts
python3 tools/preprocess.py

将会生成 img_bin 和 labels 目录:

img_bin
|___batch_data_000.bin
|___bathc_data_001.bin
...

labels
|___batch_label_000.txt
|___batch_label_001.txt
...

3. 离线推理

ckpt冻结ob

请使用训练脚本中的frozen_graph.py: [https://gitee.com/ascend/ModelZoo-TensorFlow/tree/master/TensorFlow/built-in/cv/detection/CRNN_for_TensorFlow/tools/frozen_graph.py)

python3 frozen_graph.py --ckpt_path= ckpt_path/shadownet_xxx.ckpt-600000

离线模型转换

pb模型下载链接

• 环境变量设置

  请参考说明，设置环境变量

• Pb模型转换为om模型

  atc --model=shadownet_tf_64batch.pb --framework=3 --output=shadownet_tf_64batch --output_type=FP32 --soc_version=Ascend310 --input_shape="test_images:64,32,100,3" --log=info
  

• 编译程序

  bash build.sh
  

  benchmark 工具的运行结果将会生成在 Benchmark/output/ 路径下

• 开始运行:

  cd scripts
  bash benchmark_tf.sh
  

性能

结果

本结果是通过运行上面适配的推理脚本获得的。要获得相同的结果，请按照《快速指南》中的步骤操作。

推理精度结果:

参考

[1] https://gitee.com/ascend/ModelZoo-TensorFlow/tree/master/TensorFlow/built-in/cv/detection/CRNN_for_TensorFlow