Skip to content

Latest commit

 

History

History

ocrnet_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
 
 
env.sh
env.sh
 
 
requirements.txt
requirements.txt
 
 
run.sh
run.sh
 
 

README.md

ocrnet

MagicMind 是面向寒武纪 MLU 的推理加速引擎。MagicMind 能将 AI 框架(Tensorflow,PyTorch 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 ocrnet 从 pytorch 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 ocrnet 实现来自 github 开源项目https://github.com/open-mmlab/mmsegmentation/blob/master/configs/ocrnet/ocrnet_hr18_512x1024_160k_cityscapes.py。

下面将展示如何将该项目中 pytorch 实现的 ocrnet 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/segmentation/ocrnet_pytorch

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 CITYSCAPES_DATASETS_PATH, 并且执行以下命令：

source env.sh

3.3 准备模型代码和数据集

cd $PROJ_ROOT_PATH/export_model
bash run.sh

注意: cityscapes数据集需要自行登陆并注册账号进行下载。

3.4 编译 MagicMind 模型

cd $PROJ_ROOT_PATH/gen_model
#bash run.sh <precision>
bash run.sh force_float32

3.5 执行推理

计算精度：

cd $PROJ_ROOT_PATH/infer_python
bash run.sh force_float32

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

4. 高级说明

4.1 gen_model 高级说明

模型转换分成以下几步：

  • 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。

参数说明:

  • onnx_mode: ocrnet onnx 模型路径。
  • output_model: 保存 MagicMind 模型路径。
  • image_dir: cityscapes数据集目录。
  • device_id: 量化时使用的设备id。
  • precision: 精度模式，如 force_float32，force_float16, qint8_mixed_float16。
  • input_width: 模型输入的宽。
  • input_height: 模型输入的高。
  • batch_size: 输入的 batch 数。 注:onnx模型是通过mmsegmentation提供的工具将pyotrch模型转换而来. 具体见export_model目录下的脚本。

4.2 infer_python 高级说明

概述： 本例使用 MagicMind python API 编写了一个测试精度的代码。infer.py 将展示如何使用 MagicMind python API 实现图像分割(图像预处理=>推理=>后处理)。

参数说明:

  • magicmind_model: MagicMind 离线模型存放目录。
  • config: 用于测试精度的配置文件，这里延用了原始pytorch下的配置。
  • data_root: cityscapes数据集目录。
  • json_file: 保存计算结果的文件。
  • device_id: 推理时使用的设备id。

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 ocrnet 在 cityscapes 数据集上的 mIOU 如下：

cd $PROJ_ROOT_PATH
bash benchmark/eval.sh
Model Precision Shape_Mutable(H/W) mIoU
ocrnet force_float32 false 79.45
ocrnet force_float16 false 79.44
ocrnet qint8_mixed_float16 false 78.93

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。