Skip to content

Latest commit

 

History

History

c3d_caffe

Folders and files

NameName
Last commit message
Last commit date

parent directory

..
benchmark
benchmark
 
 
export_model
export_model
 
 
gen_model
gen_model
 
 
infer_cpp
infer_cpp
 
 
README.md
README.md
 
 
env.sh
env.sh
 
 
requirements.txt
requirements.txt
 
 
run.sh
run.sh
 
 

README.md

c3d Caffe

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 c3d 网络的 Caffe 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 c3d 实现来自 github 开源项目https://github.com/facebookarchive/C3D/tree/master/C3D-v1.1 下面将展示如何将该项目中 Caffe 实现的 c3d 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/detection/c3d_caffe

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 UCF101_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>
# 指定您想输出的magicmind_model路径，例如./model
bash run.sh ${magicmind_model} force_float32 1 true

3.5 执行推理

1.infer_cpp

cd ${PROJ_ROOT_PATH}/infer_cpp
#bash run.sh <magicmind_model> <batch_size> <image_num>
bash run.sh ${magicmind_model} 1 500

计算精度:

OUTPUT_DIR=${PROJ_ROOT_PATH}/data/output/force_float32_true_1
python ${UTILS_PATH}/compute_top1_and_top5.py --result_label_file ${OUTPUT_DIR}/eval_labels.txt \
                                            --result_1_file ${OUTPUT_DIR}/eval_result_1.txt \
                                            --result_5_file ${OUTPUT_DIR}/eval_result_5.txt \
                                            --top1andtop5_file ${OUTPUT_DIR}/eval_result.txt

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/detection/c3d_caffe && bash run.sh 来实现一键执行

4.高级说明

4.1 gen_model 高级说明

c3d Caffe 模型转换为 c3d MagicMind 模型分成以下几步：

  • 使用 MagicMind Parser 模块将 caffe 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：

  1. 在gen_model.py内使用了一些公共的组件，例如arg解析、第三方框架（如Caffe）模型解析、MagicMind 配置设定等，这些公共组件以及公共参数如batch_size, device_id的说明详见：python公共组件的README.md
  2. 该网络仅能在cluster_num为1时运行.

大部分参数为公共参数，网络特定参数如下：

  • image_dir: 待推理视频所在的目录。

4.2 infer_cpp 高级说明

概述： 本例使用 MagicMind C++ API 编写了名为 infer_cpp 的视频检测程序。infer_cpp 将展示如何使用 MagicMind C++ API 构建高效的 c3d 视频捕捉(视频帧采样=>推理=>后处理)。其中程序主要由以下内容构成:

  • infer.cpp: 高效率地将 MagicMind 模型运行在 MLU 板卡上。

参数说明:

  • resized_w: 预处理相关参数。指定图像预处理中缩放大小。
  • resized_h: 预处理相关参数。指定图像预处理中缩放大小。
  • magicmind_model: MagicMind 模型路径。
  • video_list: 输入视频列表文件，文件中每一行为一个视频文件路径。
  • output_dir: 动作识别结果保存目录。每一个视频片段的 top5 识别结果将保存为一个 txt 文件。
  • sampling_rate: 视频帧采样频率，默认为 2，意味着每两帧采样一帧。
  • clip_step: 截取视频片段的移动步长，默认为-1，若为-1，clip_step 等于 CLIP_LEN * sampling_rate。
  • image_num: 输入数据数量 默认 0 表示使用全部数据
  • name_file: 真实标签对应名称文件
  • result_file: 推理结果总文件
  • result_label_file: 推理结果标签文件
  • result_top1_file: top1 结果文件
  • result_top5_file top5 结果文件

注意： 在infer_cpp内使用了一些公共的组件，例如 MagicMind上下文创建、资源释放、模型推理等，这些公共组件的说明详见：cpp公共组件的README.md

5.精度和性能 benchmark

5.1 性能 benchmark 结果

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 ${magicmind_model} --batch_size ${batch_size} --devices ${device_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 结果

一键运行 benchmark 里的脚本：

cd ${PROJ_ROOT_PATH}/benchmark
bash eval.sh

通过快速使用中 3.6 的脚本跑出 c3d 在 UCF101 testlist01 数据集上500张测试视频的 mAP 如下：

Model BATCH_SIZE Percision @Acc(Top 1) @Acc(Top 5)
c3d 1 fp32 85.53 98.00
c3d 1 fp16 85.53 98.00
c3d 1 int8_mixed_float16 85.53 97.76

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。