ResNet50 完整示例

此文档介绍如何使用 CIX P1 NPU SDK 将 ResNet50 转换为 CIX SOC NPU 上可以运行的模型。

整体来讲有四个步骤：

提示

步骤1~3 在 x86 主机 Linux 环境下执行

下载 NPU SDK 并安装 NOE Compiler
下载模型文件 (代码和脚本)
编译模型
部署模型到 Orion O6

下载 NPU SDK 并安装 NOE Compiler

请参考安装 NPU SDK 进行 NPU SDK 和 NOE Compiler 的安装.

下载模型文件

在 CIX AI Model Hub 中包含了 ResNet50 的所需文件，请用户按照下载 CIX AI Model Hub 下载，然后到对应的目录下查看

cd ai_model_hub/models/ComputeVision/Image_Classification/onnx_resnet_v1_50

请确认目录结构是否同下图所示。

.
├── cfg
│   └── onnx_resnet_v1_50build.cfg
├── datasets
│   └── calib_data.npy
├── graph.json
├── inference_npu.py
├── inference_onnx.py
├── ReadMe.md
├── test_data
│   ├── ILSVRC2012_val_00002899.JPEG
│   ├── ILSVRC2012_val_00004704.JPEG
│   ├── ILSVRC2012_val_00021564.JPEG
│   ├── ILSVRC2012_val_00024154.JPEG
│   ├── ILSVRC2012_val_00037133.JPEG
│   └── ILSVRC2012_val_00045790.JPEG
└── Tutorials.ipynb

编译模型

提示

用户可无需从头编译模型，radxa 提供预编译好的 resnet_v1_50.cix 模型（可用下面步骤下载），如果使用预编译好的模型，可以跳过“编译模型” 这一步

wget https://modelscope.cn/models/cix/ai_model_hub_24_Q4/resolve/master/models/ComputeVision/Image_Classification/onnx_resnet_v1_50/resnet_v1_50.cix

准备 onnx 模型

下载 onnx 模型

resnet50-v1-12.onnx

简化模型

这里使用 onnxsim 进行模型输入固化和模型简化

pip3 install onnxsim onnxruntime
onnxsim resnet50-v1-12.onnx resnet50-v1-12-sim.onnx --overwrite-input-shape 1,3,224,224

编译模型

CIX SOC NPU 支持 INT8 计算，在编译模型前，我们需要使用 NOE Compiler 对模型进行 INT8 量化

准备校准集

自行准备校准集

在 test_data 目录下已经包含多张校准集的图片文件

├── test_data
│   ├── ILSVRC2012_val_00002899.JPEG
│   ├── ILSVRC2012_val_00004704.JPEG
│   ├── ILSVRC2012_val_00021564.JPEG
│   ├── ILSVRC2012_val_00024154.JPEG
│   ├── ILSVRC2012_val_00037133.JPEG
│   └── ILSVRC2012_val_00045790.JPEG

参考以下脚本生成校准文件

import sys
import os
import numpy as np
_abs_path = os.path.join(os.getcwd(), "../../../../")
sys.path.append(_abs_path)
from utils.image_process import imagenet_preprocess_method1

from utils.tools import get_file_list
# Get a list of images from the provided path
images_path = "test_data"
images_list = get_file_list(images_path)
data = []
for image_path in images_list:
    input = imagenet_preprocess_method1(image_path)
    data.append(input)
# concat the data and save calib dataset
data = np.concatenate(data, axis=0)
print(data.shape)
np.save("datasets/calib_data_tmp.npy", data)
print("Generate calib dataset success.")

使用 NOE Compiler 量化与编译模型

制作量化与编译 cfg 配置文件, 请参考以下配置

[Common]
mode = build

[Parser]
model_type = onnx
model_name = resnet_v1_50
detection_postprocess =
model_domain = image_classification
input_model = ./resnet50-v1-12-sim.onnx
output_dir = ./
input_shape = [1, 3, 224, 224]
input = data

[Optimizer]
output_dir = ./
calibration_data = datasets/calib_data_tmp.npy
calibration_batch_size = 16
dataset = numpydataset
save_statistic_info = True
cast_dtypes_for_lib = True
global_calibration = adaround[10, 10, 32, 0.01]

[GBuilder]
target = X2_1204MP3
outputs = resnet_v1_50.cix
tiling = fps
profile = True

编译模型

提示
如果遇到 cixbuild 报错 [E] Optimizing model failed! CUDA error: no kernel image is available for execution on the device ... 这意味着当前版本的 torch 不支持此 GPU，请完全卸载当前版本的 torch, 然后在 torch 官网下载最新版本。
```
cixbuild ./onnx_resnet_v1_50build.cfg
```

模型部署

NPU 推理

将使用 NOE Compiler 编译好的 .cix 格式的模型复制到 Orion O6 开发板上进行模型验证

python3 inference_npu.py --images test_data --model_path ./resnet_v1_50.cix

(.venv) radxa@orion-o6:~/NOE/ai_model_hub/models/ComputeVision/Image_Classification/onnx_resnet_v1_50$ time python3 inference_npu.py --images test_data --model_path ./resnet_v1_50.cix
npu: noe_init_context success
npu: noe_load_graph success
Input tensor count is 1.
Output tensor count is 1.
npu: noe_create_job success
image path : test_data/ILSVRC2012_val_00004704.JPEG
plunger, plumber's helper
image path : test_data/ILSVRC2012_val_00021564.JPEG
coucal
image path : test_data/ILSVRC2012_val_00024154.JPEG
Ibizan hound, Ibizan Podenco
image path : test_data/ILSVRC2012_val_00037133.JPEG
ice bear, polar bear, Ursus Maritimus, Thalarctos maritimus
image path : test_data/ILSVRC2012_val_00002899.JPEG
rock python, rock snake, Python sebae
image path : test_data/ILSVRC2012_val_00045790.JPEG
Yorkshire terrier
npu: noe_clean_job success
npu: noe_unload_graph success
npu: noe_deinit_context success

real	0m2.963s
user	0m3.266s
sys	0m0.414s

CPU 推理

使用 CPU 对 onnx 模型进行推理验证正确性，可在 X86 主机上或 Orion O6 上运行

python3 inference_onnx.py --images test_data --onnx_path ./resnet50-v1-12-sim.onnx

(.venv) radxa@orion-o6:~/NOE/ai_model_hub/models/ComputeVision/Image_Classification/onnx_resnet_v1_50$ time python3 inference_onnx.py --images test_data --onnx_path ./resnet50-v1-12-sim.onnx
image path : test_data/ILSVRC2012_val_00004704.JPEG
plunger, plumber's helper
image path : test_data/ILSVRC2012_val_00021564.JPEG
coucal
image path : test_data/ILSVRC2012_val_00024154.JPEG
Ibizan hound, Ibizan Podenco
image path : test_data/ILSVRC2012_val_00037133.JPEG
ice bear, polar bear, Ursus Maritimus, Thalarctos maritimus
image path : test_data/ILSVRC2012_val_00002899.JPEG
rock python, rock snake, Python sebae
image path : test_data/ILSVRC2012_val_00045790.JPEG
Yorkshire terrier

real	0m3.757s
user	0m11.789s
sys	0m0.396s

可以看到 NPU 和 CPU 上推理的结果一致,但运行速度缩短

参考文档

论文链接： Deep Residual Learning for Image Recognition

ResNet50 完整示例

下载 NPU SDK 并安装 NOE Compiler​

下载模型文件​

编译模型​

准备 onnx 模型​

编译模型​

模型部署​

NPU 推理​

CPU 推理​

参考文档​

下载 NPU SDK 并安装 NOE Compiler

下载模型文件

编译模型

准备 onnx 模型

编译模型

模型部署

NPU 推理

CPU 推理

参考文档