中文|English

ShuffleNetv1 TensorFlow离线推理

此链接提供ShuffleNetv1 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/ShuffleNetv1_for_ACL

2. 下载数据集和预处理

1. 请自行下载ImageNet2012测试数据集

2. 移动 ILSVRC2012val 到 'scripts/'

———scripts
     |————ILSVRC2012val
           |————ILSVRC2012_val_00000001.JPEG
           |————ILSVRC2012_val_00000002.JPEG
           |————ILSVRC2012_val_00000003.JPEG
           |————ILSVRC2012_val_00000004.JPEG
           |————...

3. 图像预处理:

cd scripts
mkdir input_bins
python3 imagenet_preprocessing.py --src_path ./ILSVRC2012val/

jpeg图片将被预处理为bin-fils。

3. 离线推理

离线模型转换

• 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

  下载本报告训练的shuffenetv1的pb模型: Repo of train

  pb模型下载链接

  由于经过训练的检查点将批量大小固定为96，因此atc输入形状需要设置**“输入：96224224.3”**

  atc --model=shufflenetv1.pb --framework=3 --output=shufflenetv1_tf_96batch --output_type=FP32 --soc_version=Ascend310 --input_shape="input:96,224,224,3" --out_nodes="classifier/BiasAdd:0" --log=info
  

• 编译程序

  bash build.sh
  

• 开始运行:

  cd scripts
  bash benchmark_tf.sh
  

推理结果

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

https://gitee.com/ascend/ModelZoo-TensorFlow/tree/master/TensorFlow/contrib/cv/shufflenetv1/ShuffleNet_ID0184_for_TensorFlow