中文|English

DPN Tensorflow离线推理

此链接提供DPN 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/contrib/cv/DPN_for_ACL

2. 下载数据集和预处理

1. 请自行下载ImageNet2012测试数据集 (下载)并将其放入: scripts/dataset/ 中：

2. 测试数据集和标签的预处理:

cd scripts
mkdir input_bins
python3 dpn_preprocess.py dataset/dpnval.tfrecords ./input_bins/

将会生成 data , distance 和 label 目录:

data
|___000000.bin
|___000001.bin
...

distance
|___000000.bin
|___000001.bin
...

label
|__label.npy

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

  pb模型下载链接

  batchsize=8

  atc --model=dpn.pb  --framework=3 --input_shape="inputx:8,512,512,3,inputd:10,10,1" --output=./dpn_8batch --out_nodes="upsample/Conv_2/Relu:0" --soc_version=Ascend310 --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/contrib/cv/dpn/DPN_ID1636_for_TensorFlow