中文|English

MobileNetv2 TensorFlow离线推理

此链接提供MobileNetv2 TensorFlow模型在NPU上离线推理的脚本和方法

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/ACL_TensorFlow/built-in/cv/MobileNetv2_for_ACL

2. Download and preprocess the dataset

1. 请自行下载ImageNet2012测试数据集

3. 离线推理

Pb模型转换为om模型

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

  For Ascend310:

  atc --model=mobilenet_v2_tf.pb --framework=3 --output=mobilenet_v2_tf_aipp --output_type=FP32 --soc_version=Ascend310 --input_shape="input:1,224,224,3" --log=info --insert_op_conf=mobilenet_v2_tf_aipp.cfg
  

  For Ascend310P3:

  atc --model=mobilenet_v2_tf.pb --framework=3 --output=mobilenet_v2_tf_aipp --output_type=FP32 --soc_version=Ascend310P3 --input_shape="input:1,224,224,3" --log=info --insert_op_conf=mobilenet_v2_tf_aipp.cfg
  

• 编译程序

  For Ascend310:

  unset ASCEND310P3_DVPP
  bash build.sh
  

  For Ascend310P3:

  export ASCEND310P3_DVPP=1
  bash build.sh
  

• 开始运行:

  cd scripts
  bash benchmark_tf.sh --batchSize=1 --modelType=mobilenetv2 --imgType=raw --precision=fp16 --outputType=fp32 --useDvpp=1 --deviceId=0 --modelPath=mobilenet_v2_tf_aipp.om --dataPath=image-1024 --trueValuePath=val_lable.txt
  

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