1.编译ONNX模型
本章以 resnet18.onnx 为例, 介绍如何编译迁移一个onnx模型至BM1684X TPU平台运行。
该模型来自onnx的官网:
models/vision/classification/resnet/model/resnet18-v1-7.onnx at main · onnx/models · GitHub
本例模型和代码在 http://219.142.246.77:65000//sharing/hddTi2adl
下载到本地 model_resnet18.tar.gz，并解压：
tar zxvf resnet18_classify.tar.gzmodel_resnet18目录中包含以下文件：
- model/resnet18.onnx resnet18原始模型
- images/ 测试图片集
- ILSVRC2012/ 量化用数据集
- outputs 输出结果位置
- Workspace 编译量化结果存放位置
- calssify_resnet18.py 推理程序
2.加载TPU-MLIR
以下操作需要在Docker容器中。关于Docker的使用, 请参考 启动Docker Container
$ tar zxf tpu-mlir_xxxx.tar.gz
$ source tpu-mlir_xxxx/envsetup.sh
envsetup.sh 对环境变量的修改内容为:
export PATH=${TPUC_ROOT}/bin:$PATH
export PATH=${TPUC_ROOT}/python/tools:$PATH
export PATH=${TPUC_ROOT}/python/utils:$PATH
export PATH=${TPUC_ROOT}/python/test:$PATH
export PATH=${TPUC_ROOT}/python/samples:$PATH
export LD_LIBRARY_PATH=$TPUC_ROOT/lib:$LD_LIBRARY_PATH
export PYTHONPATH=${TPUC_ROOT}/python:$PYTHONPATH
export MODEL_ZOO_PATH=${TPUC_ROOT}/../model-zoo
3 准备工作目录
建立 model_resnet18目录, 注意是与tpu-mlir同级目录; 并把模型文件和图片文件都 放入 model_resnet18 目录中。操作如下:
$ mkdir model_resnet18 && cd model_resnet18
$ cp -rf $TPUC_ROOT/python/samples/classify_resnet18.py .
$ mkdir workspace && cd workspace
$ mkdir outputs
4 ONNX转MLIR
模型转换命令如下:
$ model_transform.py \
--model_name resnet18 \
--model_def ../model/resnet18.onnx \
--input_shapes [[1,3,224,224]] \
--mean 0.0,0.0,0.0 \
--scale 0.0039216,0.0039216,0.0039216 \
--keep_aspect_ratio \
--pixel_format rgb \
--output_names output \
--test_input ../images/dog.jpg \
--test_result resnet18_top_outputs.npz \
--mlir resnet18.mlir \
转成mlir文件后, 会生成一个 ${model_name}_in_f32.npz 文件, 该文件是模型的输入文件。
model_transform.py参数表
| 参数名 | 必选？ | 说明 |
| model_name | 是 | 指定模型名称 |
| model_def | 是 | 指定模型定义文件, 比如`.onnx`或`.tflite`或`.prototxt`文件 |
| input_shapes | 否 | 指定输入的shape, 例如[[1,3,640,640]]; 二维数组, 可以支 持多输入情况 |
| resize_dims | 否 | 原始图片需要resize之后的尺寸; 如果不指定, 则resize成模 型的输入尺寸 |
| keep_aspect_ratio | 否 | 在Resize时是否保持长宽比, 默认为false; 设置时会对不足 部分补0 |
| mean | 否 | 图像每个通道的均值, 默认为0.0,0.0,0.0 |
| scale | 否 | 图片每个通道的比值, 默认为1.0,1.0,1.0 |
| pixel_format | 否 | 图片类型, 可以是rgb、bgr、gray、rgbd四种情况 |
| output_names | 否 | 指定输出的名称, 如果不指定, 则用模型的输出; 指定后用 该指定名称做输出 |
| test_input | 否 | 指定输入文件用于验证, 可以是图片或npy或npz; 可以不 指定, 则不会正确性验证 |
| test_result | 否 | 指定验证后的输出文件 |
| excepts | 否 | 指定需要排除验证的网络层的名称, 多个用,隔开 |
| mlir | 是 | 指定输出的mlir文件名称和路径 |
| post_handle_type | 否 | 将后处理融合到模型中，指定后处理类型， 比如yolo、 ssd |
5 MLIR转F32模型
将mlir文件转换成f32的bmodel, 操作方法如下
$ model_deploy.py \
--mlir resnet18.mlir \
--quantize F32 \
--chip bm1684x \
--test_input resnet18_in_f32.npz \
--test_reference resnet18_top_outputs.npz \
--tolerance 0.99,0.99 \
--model resnet18_1684x_f32.bmodel
编译完成后, 会生成名为 ${model_name}_1684x_f32.bmodel 的文件。
6 MLIR转INT8模型
6.1生成校准表
run_calibration.py resnet18.mlir \
--dataset ../ILSVRC2012 \
--input_num 100 \
-o resnet18_cali_table
6.2 编译为INT8对称量化模型
$ model_deploy.py \
--mlir resnet18.mlir \
--quantize INT8 \
--calibration_table resnet18_cali_table \
--chip bm1684x \
--test_input resnet18_in_f32.npz \
--test_reference resnet18_top_outputs.npz \
--tolerance 0.85,0.45 \
--model resnet18_1684x_int8_sym.bmodel
6.3转成INT8非对称量化模型
$ model_deploy.py \
--mlir resnet18.mlir \
--quantize INT8 \
--asymmetric \
--calibration_table resnet18_cali_table \
--chip bm1684x \
--test_input resnet18_in_f32.npz \
--test_reference resnet18_top_outputs.npz \
--tolerance 0.90,0.55 \
--model resnet18_1684x_int8_asym.bmodel
7 测试
7.1 onnx模型测试
执行以下推理命令
$ ./classify_resnet18.py --model_def model/resnet18.onnx --input images/cat.jpg --output outputs/cat_onnx.jpg --category_file images/label.txt
./calssify_resnet18.py 执行当前目录下的py文件
--model_def 模型参数，输入模型的位置，可以是onnx,bmodel
--input 输入图片
--output 输出路径
--category_file label的路径
7.2 Fp32模型测试
执行推理命令：
./classify_resnet18.py --model_def workspace/resnet18_1684x_f32.bmodel --input images/cat.jpg --output outputs/cat_f32.jpg --category_file images/label.txt
7.3 INT8 对称模型测试
./classify_resnet18.py --model_def workspace/resnet18_1684x_int8_sym.bmodel --input images/cat.jpg --output outputs/cat_int8.jpg --category_file images/label.txt
8 结果对比
onnx结果
F32结果
INT8 对称量化结果
INT8 非对称量化结果
