Skip to content

Latest commit

 

History

History

xception_paddle

README.md

Xception_Paddle

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 探讨如何将 xception41 网络的 paddle 模型转换为 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 paddle 实现来自 github 开源项目https://github.com/PaddlePaddle/PaddleClas 。 下面将展示如何将该项目中 paddle 实现的 xception41 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/xception_paddle

在开始运行代码前需要执行以下命令安装必要的库：

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，并且执行以下命令：

source env.sh

3.3 准备数据集和模型

  • 下载数据集和模型
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}/xception_paddle_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}/xception_paddle_model_force_float32_true 1 1000

结果:

top1:  0.748
top5:  0.928

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/xception_paddle && bash run.sh 来实现一键执行

4.高级说明

4.1 gen_model 高级说明

ONNX xception41 模型转换为 MagicMind xception41 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

4.2 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 xception41 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: 生成可变模型时 batch_size 可以在 dimension range 内取值，生成不可变模型时 batch_size 的取值需要对应 onnx 的输入维度。

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 --devices $DEV_ID --threads 1 --iterations 1000

或者通过一键运行 benchmark 里的脚本：

cd ${PROJ_ROOT_PATH}/benchmark
bash perf.sh

5.2 精度 benchmark 测试

一键运行 benchmark 里的脚本跑出 xception41 在 IMAGENET2012 数据集上的 TOP1 和 TOP5 如下：

cd ${PROJ_ROOT_PATH}/benchmark
bash eval.sh
Model Precision Batch_Size TOP1 TOP5
Xception41 force_float32 1 0.79306 0.94536
Xception41 force_float16 1 0.79312 0.94530
Xception41 qint8_mixed_float16 1 0.79134 0.94434

xception41 magicmind模型测试参数设置与PaddleClas保持一致如下：

# config file: PaddleClas/ppcls/configs/ImageNet/Xception/Xception41.yaml
# line74 - line91
Eval:
    dataset: 
      name: ImageNetDataset
      image_root: ./dataset/ILSVRC2012/
      cls_label_path: ./dataset/ILSVRC2012/val_list.txt
      transform_ops:
        - DecodeImage:
            to_rgb: True
            channel_first: False
        - ResizeImage:
            resize_short: 320
        - CropImage:
            size: 299
        - NormalizeImage:
            scale: 1.0/255.0
            mean: [0.485, 0.456, 0.406]
            std: [0.229, 0.224, 0.225]
            order: ''

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。