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 UNet 网络的 pytorch 实现转换为 MagicMind 模型，进而部署在寒武纪 MLU 板卡上。
本例使用的 UNet 实现来自 github 开源项目https://github.com/milesial/Pytorch-UNet。 下面将展示如何将该项目中 Pytorch 实现的 UNet 模型转换为 MagicMind 的模型。
请移至主页面 README.md的2.前提条件
请移至主页面 README.md的3.环境准备
# 下载仓库
git clone 本仓库
cd magicmind_cloud/buildin/cv/segmentation/UNet_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 CARVANA_DATASETS_PATH, 并且执行以下命令：
source env.shcd $PROJ_ROOT_PATH/export_model
bash run.sh cd $PROJ_ROOT_PATH/gen_model
# bash run.sh <magicmind_model> <precision> <batch_size> <dynamic_shape>
bash run.sh ../data/models/unet_carvana_model_qint8_mixed_float16_true qint8_mixed_float16 1 true结果：
Generate model done, model save to /mm_ws/proj/modelzoo/magicmind_cloud/buildin/cv/segmentation/UNet_pytorch/data/models/unet_carvana_model_qint8_mixed_float16_true1.infer_python
cd $PROJ_ROOT_PATH/infer_python
# bash run.sh <magicmind_model> <batch_size> <image_num>
bash run.sh ../data/models/unet_carvana_model_qint8_mixed_float16_true 1 508结果：
Dice coefficient: 0.9906以上 3.3~3.5 的步骤也可以通过运行cd magicmind_cloud/buildin/cv/segmentation/UNet_pytorch && bash run.sh 来实现一键执行
Pytorch UNet 模型转换为 MagicMind UNet 模型分成以下几步：
- 使用 MagicMind Parser 模块将 pt 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:
pt_model: UNet pt 的路径。batch_size: 生成可变模型时 batch_size 可以在设定的 dim range 内取值，生成不可变模型时 batch_size 的取值需要对应 pt 的输入维度。input_width: W。input_height: H。output_model: 保存 MagicMind 模型路径。shape_mutable: 是否生成可变 batch_size 的 MagicMind 模型。precision: 精度模式，如 force_float32，force_float16，qint8_mixed_float16。calib_data_path: 量化图片的路径。device: 设备号, 默认 0。device_type: 设备类型：MLU370。
概述： 本例使用 MagicMind PYTHON API 编写了名为 infer_python 的推理程序。infer_python 将展示如何使用 MagicMind PYTHON API 构建高效的 UNet 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。data_folder: input data 存放目录。output_folder: output data 存放目录。ref_folder: ref data 存放目录。
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}/benchmark
bash perf.sh一键运行 benchmark 里的脚本跑出 UNet 在 Carvana data 数据集上的精度如下：
cd ${PROJ_ROOT_PATH}/benchmark
bash eval.sh| Model | Precision | Batch_Size | Dice coefficient |
|---|---|---|---|
| unet_carvana_scale0.5_epoch2 | force_float32 | 1 | 0.9914 |
| unet_carvana_scale0.5_epoch2 | force_float16 | 1 | 0.9914 |
| unet_carvana_scale0.5_epoch2 | qint8_mixed_float16 | 1 | 0.9906 |
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。
- UNet GITHUB 下载链接：https://github.com/milesial/Pytorch-Unet
- 模型下载链接：https://github.com/milesial/Pytorch-UNet/releases/tag/v3.0
- 数据集下载链接：Carvana data