Skip to content

Latest commit

 

History

History

crnn_pytorch

README.md

CRNN_PyTorch

MagicMind 是面向寒武纪 MLU 的推理加速引擎。MagicMind 能将 AI 框架(Tensorflow,PyTorch,ONNX 等) 训练好的算法模型转换成 MagicMind 统一计算图表示,并提供端到端的模型优化、代码生成以及推理业务部署能力。

本 sample 探讨如何使用将 CRNN 网络的 PyTorch 实现转换为 MagicMind 模型，进而部署在寒武纪 MLU 板卡上。

目录

1. 模型概述

本例使用的 CRNN 实现来自 github 开源项目https://github.com/meijieru/crnn.pytorch。 下面将展示如何将该项目中 PyTorch 实现的 CRNN 模型转换为 MagicMind 的模型。

2. 前提条件

请移至主页面 README.md的2.前提条件

3. 快速使用

3.1 环境准备

请移至主页面 README.md的3.环境准备

3.2 下载仓库

# 下载仓库
git clone 本仓库
cd magicmind_cloud/buildin/cv/classification/crnn_pytorch

在开始运行代码前需要先安装依赖：

pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple/ -f https://download.pytorch.org/whl/torch_stable.html

在开始运行代码前需要先检查 env.sh 里的环境变量，根据数据集实际路径修改 env.sh 内的 SYNTH_DATASETS_PATH, 并且执行以下命令：

source env.sh

3.3 准备数据集和模型

cd $PROJ_ROOT_PATH/export_model
bash run.sh

3.4 编译 MagicMind 模型

cd $PROJ_ROOT_PATH/gen_model
#bash run.sh <magicmind_model> <precision> <batch_size> <dynamic_shape>
bash run.sh ../data/models/crnn_pt_model_force_float32_true force_float32 1 true

结果：

Generate model done, model save to /mm_ws/proj/modelzoo/magicmind_cloud/buildin/cv/classification/crnn_pytorch/../../../../../magicmind_cloud/buildin/cv/classification/crnn_pytorch/data/models/crnn_pt_model_force_float32_true

3.5 执行推理

cd $PROJ_ROOT_PATH/infer_python
#bash run.sh <magicmind_model> <batch_size> <precision>
bash run.sh ../data/models/crnn_pt_model_force_float32_true 1 force_float32

结果：

top1 accuracy: 0.942000

3.6 一键运行

以上 3.3~3.5 的步骤也可以通过运行 cd magicmind_cloud/buildin/cv/classification/crnn_pytorch && bash run.sh 来实现一键执行

4. 高级说明

4.1 gen_model 高级说明

ONNE CRNN 模型转换为 MagicMind CRNN 模型分成以下几步：

  • 使用 MagicMind Parser 模块将 PyTorch 文件解析为 MagicMind 网络结构。
  • 模型量化。
  • 使用 MagicMind Builder 模块生成 MagicMind 模型实例并保存为离线模型文件。

参数说明:

  • pt_model: CRNN PyTorch 的路径。
  • output_model: 保存 MagicMind 模型路径。
  • precision: 精度模式，如 force_float32，force_float16。

4.2 infer_python 高级说明

概述： 本例使用 MagicMind PYTHON API 编写了名为 infer_python 的目标检测程序。infer_python 将展示如何使用 MagicMind PYTHON API 构建高效的 CRNN 图像分类(图像预处理=>推理=>后处理)。

参数说明:

  • valRoot: 输入数据集目录。
  • file_path: Path to lexicon.txt.
  • magicmind_model: 保存 MagicMind 模型路径。
  • workers: Number of data loading workers.
  • n_test_disp: Number of samples to display when test.
  • batchSize: 生成可变模型时 batch_size 可以在设定的 dim range 内取值，生成不可变模型时 batch_size 的取值需要对应 pt 的输入维度。
  • top1_file: 保存精度 top1 的文件。

5. 精度和性能 benchmark

5.1 性能 benchmark 测试

本仓库通过寒武纪提供的 Magicmind 性能测试工具 mm_run 展示性能数据

#查看参数说明
mm_run -h
mm_run --magicmind_model $MM_MODEL --batch_size $BATCH_SIZE --devices $DEV_ID --threads 1 --iterations 1000

或者通过一键运行 benchmark 里的脚本：

cd $PROJ_ROOT_PATH
bash benchmark/perf.sh

5.2 精度 benchmark 测试

一键运行 benchmark 里的脚本跑出 CRNN 在 Synth90k 数据集上的准确率如下：

cd $PROJ_ROOT_PATH
bash benchmark/eval.sh
Model Precision Batch_Size accuracy
CRNN force_float32 1 0.968
CRNN force_float16 1 0.968

6. 免责声明

您明确了解并同意，以下链接中的软件、数据或者模型由第三方提供并负责维护。在以下链接中出现的任何第三方的名称、商标、标识、产品或服务并不构成明示或暗示与该第三方或其软件、数据或模型的相关背书、担保或推荐行为。您进一步了解并同意，使用任何第三方软件、数据或者模型，包括您提供的任何信息或个人数据（不论是有意或无意地），应受相关使用条款、许可协议、隐私政策或其他此类协议的约束。因此，使用链接中的软件、数据或者模型可能导致的所有风险将由您自行承担。