中文|English

ECONet Tensorflow离线推理

此链接提供ECONet 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/ECONet_for_ACL

2. 下载数据集和预处理

在这里，我们使用UCF101数据集训练模型，您也可以使用hmdb51数据集训练模型。

1. 请自行下载UCF101数据集，并将其放入路径: scripts/dataset/ucf101

2. 测试数据集和标签预处理:

cd scripts
mkdir input_bins
python3 data_preprocess.py --dataset ucf101 --data_path ./dataset/ucf101 --output_path ./input_bins

在 input_bins 路径下，它将会生成 ucf101 和 ucf101_label.pkl 目录文件:

input_bins
|
|__ucf101
|______v_ApplyEyeMakeup_g01_c01.bin
|______v_ApplyEyeMakeup_g01_c02.bin
|______v_ApplyEyeMakeup_g01_c03.bin
...

|
|__ucf101_label.pkl

3. 离线推理

离线模型转换

• 环境变量配置

  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=4

  atc --model=ucf101_best.pb  --framework=3 --input_shape="clip_holder:4,224,224,3" --output=./econet_ucf101_4batch --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/contrib/TensorFlow/Research/cv/econet/ECONet_tf_paper99