Skip to content

Latest commit

 

History

History

maskrcnn_pytorch

Folders and files

NameName
Last commit message
Last commit date

parent directory

..
benchmark
benchmark
 
 
export_model
export_model
 
 
gen_model
gen_model
 
 
infer_python
infer_python
 
 
README.MD
README.MD
 
 
README.md
README.md
 
 
env.sh
env.sh
 
 
requirements.txt
requirements.txt
 
 
run.sh
run.sh
 
 

README.MD

maskrcnn_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 maskrcnn 网络的 Pytorch 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 maskrcnn 实现来自 github 开源项目https://github.com/open-mmlab/mmdetection 项目使用的backbone配置文件为mask_rcnn_r50_fpn_1x_coco.py 下面将展示如何将该项目中 Pytorch 实现的 maskrcnn 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/maskrcnn_pytorch

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

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 <precision> <shape_mutable> <batch_size>
bash run.sh force_float32 true 1

3.5 执行推理

1.infer_python

cd $PROJ_ROOT_PATH/infer_python
#bash run.sh <precision> <shape_mutable>
bash run.sh force_float32 true

精度结果:

 Average Precision  (AP) @[ IoU=0.50:0.95 | area=   all | maxDets=100 ] = 0.381
 Average Precision  (AP) @[ IoU=0.50      | area=   all | maxDets=1000 ] = 0.588
 Average Precision  (AP) @[ IoU=0.75      | area=   all | maxDets=1000 ] = 0.413
 Average Precision  (AP) @[ IoU=0.50:0.95 | area= small | maxDets=1000 ] = 0.219
 Average Precision  (AP) @[ IoU=0.50:0.95 | area=medium | maxDets=1000 ] = 0.409
 Average Precision  (AP) @[ IoU=0.50:0.95 | area= large | maxDets=1000 ] = 0.494
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=   all | maxDets=100 ] = 0.523
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=   all | maxDets=300 ] = 0.523
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=   all | maxDets=1000 ] = 0.523
 Average Recall     (AR) @[ IoU=0.50:0.95 | area= small | maxDets=1000 ] = 0.328
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=medium | maxDets=1000 ] = 0.556
 Average Recall     (AR) @[ IoU=0.50:0.95 | area= large | maxDets=1000 ] = 0.660

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

4.高级说明

4.1 gen_model 高级说明

Pytorch maskrcnn 模型转换为 MagicMind maskrcnn 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。
  • 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:

  • onnx_model: maskrcnn onnx 的网络模型路径。
  • mm_model: 保存 MagicMind 模型路径。
  • input_size: 输入图像尺寸大小 默认为 224x224
  • precision: 精度模式，如 force_float32，force_float16，qint8_mixed_float16。
  • shape_mutable: 是否生成可变 batch_size 的 MagicMind 模型。
  • batch_size: 生成可变模型时 batch_size 可以随意取值，生成不可变模型时 batch_size 的取值需要对应 pt 的输入维度。

4.2 infer_python 高级说明

概述： 本例使用 MagicMind Python API 编写了名为 infer.py 的目标检测检测程序。infer.py 将展示如何使用 MagicMind Python API 构建高效的 maskrcnn 目标检测(图像预处理=>推理=>图像后处理)。其中程序主要由以下内容构成:

  • infer.py: 高效率的将 MagicMind 模型运行在 MLU 板卡上。

参数说明:

  • config: COCO数据集配置文件
  • model: MagicMind 模型路径。
  • eval: maskrcnn评估指标 可选bbox segm
  • out: 结果输出文件 .pkl
  • device_id: MLU Device ID

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 $MM_MODEL --batch_size $BATCH_SIZE --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：

cd $PROJ_ROOT_PATH
bash benchmark/eval.sh

通过5.2精度benchmark测试的脚本跑出 maskrcnn 在 coco val2017 数据集上5000张测试图片的 mAP 如下： 待更新

Model BATCH_SIZE Percision BBox mAP(0.50:0.95)(%) BBox mAP(0.50)(%)
maskrcnn 1 fp32 38.1 58.8

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。