代码拉取完成,页面将自动刷新
中文|English
此链接提供ShuffleNetv2 TensorFlow模型在NPU上离线推理的脚本和方法
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。
Conditions | Need |
---|---|
CANN版本 | >=5.0.3 |
芯片平台 | Ascend310/Ascend310P3 |
第三方依赖 | 请参考 'requirements.txt' |
git clone https://gitee.com/ascend/ModelZoo-TensorFlow.git
cd Modelzoo-TensorFlow/ACL_TensorFlow/built-in/cv/ShuffleNetv2_for_ACL
请自行下载ImageNet2012测试数据集,其中包括50000 JPEGS。
移动 ILSVRC2012val 到 'scripts/'
———scripts
|————ILSVRC2012val
|————ILSVRC2012_val_00000001.JPEG
|————ILSVRC2012_val_00000002.JPEG
|————ILSVRC2012_val_00000003.JPEG
|————ILSVRC2012_val_00000004.JPEG
|————...
cd scripts
mkdir input_bins
python3 imagenet_preprocessing.py --src_path ./ILSVRC2012val/
jpeg图片将被预处理为bin fils.
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shuffenetv2的pb模型: Repo of train pb模型下载链接
atc --model=shufflenetv2.pb --framework=3 --output=shufflenetv2_tf_1batch --output_type=FP32 --soc_version=Ascend310 --input_shape="input:1,224,224,3" --out_nodes="classifier/BiasAdd:0" --log=info
编译程序
bash build.sh
开始运行:
cd scripts
bash benchmark_tf.sh
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。
model | data | Top1/Top5 |
---|---|---|
offline Inference | 50000 images | 61.4 %/ 82.9% |
此处可能存在不合适展示的内容,页面不予展示。您可通过相关编辑功能自查并修改。
如您确认内容无涉及 不当用语 / 纯广告导流 / 暴力 / 低俗色情 / 侵权 / 盗版 / 虚假 / 无价值内容或违法国家有关法律法规的内容,可点击提交进行申诉,我们将尽快为您处理。