resnet50_onnx

ResNet50_ONNX

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 ResNet50 网络的 ONNX 实现转换为 MagicMind 模型，进而部署在寒武纪 MLU 板卡上。

目录

• 模型概述
• 前提条件
• 快速使用
  • 环境准备
  • 下载仓库
  • 准备数据集和模型
  • 编译 MagicMind 模型
  • 执行推理
  • 一键运行
• 高级说明
  • gen_model 代码解释
  • infer_python 代码解释
• 精度和性能 benchmark
  • 性能 benchmark 测试
  • 精度 benchmark 测试
• 免责声明

1.模型概述

本例使用的 ResNet50 实现来自 github 开源项目https://github.com/onnx。 下面将展示如何将该项目中 ONNX 实现的 ResNet50 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/resnet50_onnx

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 ILSVRC2012_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 ${MODEL_PATH}/resnet50_onnx_model_force_float32_true force_float32 1 true

3.5 执行推理

cd $PROJ_ROOT_PATH/infer_python
#bash run.sh <magicmind_model> <batch_size> <image_num>
bash run.sh ${MODEL_PATH}/resnet50_onnx_model_force_float32_true 1 1000

top1 和 top5 推理结果分别保存在输出目录的 eval_result_1.txt 和 eval_result_5.txt 文件中。

结果：

top1:  0.751
top5:  0.926

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/resnet50_onnx && bash run.sh 来实现一键执行

4.高级说明

4.1gen_model 代码解释

ONNX resnet50 模型转换为 MagicMind resnet50 模型分成以下几步：

• 使用 MagicMind Parser 模块将 onnx 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。

注意： 在gen_model内使用了一些公共的组件，例如arg解析、第三方框架（如PyTorch）模型解析、MagicMind 配置设定等，这些公共组件的说明详见：公共组件的README.md

4.2infer_python 代码解释

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 ResNet50 图像分类(图像预处理=>推理=>后处理)。

参数说明:

• device_id: 设备号。
• magicmind_model: MagicMind 模型路径。
• image_dir: 输入图像目录，程序对该目录下所有后缀为 jpg 的图片执行分类任务。
• image_num: 输入图像的数量。
• name_file: imagenet 名称文件路径。
• label_file: 标签文件路径。
• result_file: 输入图像。
• result_label_file: 输出 label 文件。
• result_top1_file: top1 文件。
• result_top5_file: top5 文件。
• batch_size: 可变模型推理时 batch_size 可以在dim range范围内取值，不可变模型推理时 batch_size 的取值需要与 magicmind 模型输入维度对应。

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 ResNet50 在 IMAGENET2012 数据集上的 TOP1 和 TOP5 如下：

cd $PROJ_ROOT_PATH
bash benchmark/eval.sh

Model	Precision	Batch_Size	TOP1	TOP5
ResNet50	force_float32	1	75.01%	92.37%
ResNet50	force_float16	1	75.01%	92.36%
ResNet50	qint8_mixed_float16	1	74.47%	92.08%

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。

• ResNet50 ONNX 模型：https://github.com/onnx/models/raw/main/vision/classification/resnet/model/resnet50-v1-7.onnx
• LSVRC_2012 验证集链接: https://image-net.org/challenges/LSVRC