SageMaker Neo优化目标检测模型加速推理

摘要

该文以目标检测模型着手，演示如何一步步基于SageMaker Neo对训练后的模型文件进行编译优化，来提升模型的推理速度。文中以yolo3_mobilenet1.0_coco模型为例，分别演示模型准备，模型Neo编译，模型导出推理测试，可视化等过程，推理结果显示基于SageMaker Neo可以显著提升推理速度，达到一倍以上的加速。

想学习更多人工智能与机器学习前沿案例？来2021亚马逊云科技中国峰会与业内领先的技术践行者们一起探讨交流吧！点击图片报名吧～

模型准备

在利用SageMaker Neo编译模型之前，首先需要根据神经网络的框架准备模型，具体可以参考官方指南Compile and Deploy Models with Neo：
https://docs.aws.amazon.com/s...

不同的框架对模型的要求各不相同，以MXNet框架为例，其模型的要求描述为：

MXNet models must be saved as a single symbol file *-symbol.json and a single parameter *.params files.

为了说明整个SageMaker Neo优化的详细流程，该文档以
yolo3_mobilenet1.0_coco人形检测模型为例进行模型准备，Neo编译，以及测试。

模型准备分为两步，分别如下：

第一步：下载

yolo3_mobilenet1.0_coco人形检测模型:

wget -c https://ipc-models-zoo.s3.amazonaws.com/body-detector/body_detector_yolo3_mobilenet1.0_coco-0000.params
wget -c https://ipc-models-zoo.s3.amazonaws.com/body-detector/body_detector_yolo3_mobilenet1.0_coco-symbol.json

第二步：将上述两个文件打成.tar.gz包，即执行如下python脚本:

import tarfile
tar = tarfile.open("body_detector_yolo3_mobilenet1.0_coco.tar.gz", "w:gz")
for name in ["body_detector_yolo3_mobilenet1.0_coco-0000.params", "body_detector_yolo3_mobilenet1.0_coco-symbol.json"]:
tar.add(name)
tar.close()
Python

脚本执行完毕，会在当前目录生成名为

body_detector_yolo3_mobilenet1.0_coco.tar.gz

的文件，该文件为SageMaker Neo编译任务的输入。

Neo编译作业

SageMaker Neo编译作业可以直接在SageMaker控制台实现，它的输入是一个S3桶路径，优化后的模型导出也是一个S3桶路径，整个过程如下：

1.将其中生成的

body_detector_yolo3_mobilenet1.0_coco.tar.gz

上传至任意一个指定的S3桶路径，如

s3://object-det-neo/input/body_detector_yolo3_mobilenet1.0_coco.tar.gz

2.进入SageMaker控制台，点击左侧导航栏推理-编译作业，创建编译作业，输入作业名称，创建具有S3桶访问权限的IAM角色，输入配置中的选项包括：

• 模型构件的位置: 模型存储的S3桶路径
• 数据输入配置: 即模型的推理时输入尺寸，该指南中以宽高比为3:2的图像为基准，输入尺度为
• {"data": [1, 3, 416, 624]
  机器学习框架: 由于该指南以MXNet为例，故选择MXNet

3.输出配置选项包括：

• 目标设备/目标平台：选择目标平
• 操作系统：选择LINUX;
• 架构：选择X86_64
• 加速器：选择NVIDIA
• 编译器选项：输入
• {"gpu-code": "sm_75", "trt-ver": "7.0.0", "cuda-ver": "10.1"}
  S3输出位置：指定优化后的模型输出，如
• s3://object-det-neo/output/
  加密密钥：保持默认（无自定义加密）

最后点击提交，等待3-5分钟，待编译作业状态显示完成后编译后的模型（如

s3://object-det-neo/output/body_detector_yolo3_mobilenet1.0_coco-LINUX_X86_64_NVIDIA.tar.gz

）便会输出到指定的S3桶位置。

EC2推理速度测试

启动EC2实例

进入EC2控制台，启动实例，选择Amazon系统镜像（AMI）为

Deep Learning AMI (Amazon Linux 2) Version 44.0 - ami-01f1817a8a0c23c2e，

选择实例类型为g4dn.xlarge，点击下一步配置实例详细信息，保持默认，点击下一步添加存储，保持默认根卷大小95GiB，点击下一步添加标签（可选），点击下一步配置安组，保持默认，点击审核和启动，选择现有密钥对或创建新密钥对，点击启动。

稍等几分钟，等待实例的状态检查初始化完成后，通过terminal链接该实例：

ssh -i "your_key.pem" [email protected]

推理测试

通过SSH登录链接到实例之后，下载推理测试的代码和模型（未经过Neo优化的和经过Neo优化的），具体执行命令如下所示：

git clone https://github.com/aws-samples/amazon-ipc-ai-saas.git
cd amazon-ipc-ai-saas/source/neo
mkdir -p models/human_body_detector
cd models/human_body_detector
wget -c https://ipc-models-zoo.s3.amazonaws.com/body-detector/body_detector_yolo3_mobilenet1.0_coco-0000.params
wget -c https://ipc-models-zoo.s3.amazonaws.com/body-detector/body_detector_yolo3_mobilenet1.0_coco-symbol.json

cd ../../
mkdir -p models/human_body_detector_neo
cd models/human_body_detector_neo
wget -c https://ipc-models-zoo.s3.amazonaws.com/body-detector/body_detector_yolo3_mobilenet1.0_coco-LINUX_X86_64_NVIDIA.tar.gz
tar -zxvf body_detector_yolo3_mobilenet1.0_coco-LINUX_X86_64_NVIDIA.tar.gz

上述命令执行之后，在neo/目录下的结构如下所示：

.
├── eval.py
├── models
│   ├── human_body_detector
│   │   ├── body_detector_yolo3_mobilenet1.0_coco-0000.params
│   │   └── body_detector_yolo3_mobilenet1.0_coco-symbol.json
│   └── human_body_detector_neo
│       ├── compiled.meta
│       ├── compiled_model.json
│       ├── compiled.params
│       ├── compiled.so
│       └── manifest
└── test_1280x1920x3.jpg

安装neo-ai-dlr软件和gluoncv依赖包，参考https://github.com/neo-ai/neo...；这里测试平台为Amazon g4dn.xlarge，安装命令如下：

wget -c https://neo-ai-dlr-release.s3-us-west-2.amazonaws.com/v1.9.0/gpu/dlr-1.9.0-py3-none-any.whl
source activate mxnet_latest_p37
pip3 install dlr-1.9.0-py3-none-any.whl
pip3 install gluoncv==0.8.0

退回到neo/目录，执行速度评估脚本eval.py，如下所示：

python3 eval.py

运行结果会直接打印在terminal之上，同时也会将推理的结果绘制出来并保存到当前目录下（未经SageMaker Neo优化的检测结果body_det_vis.jpg，经SageMaker Neo优化后的推理模型检测结果body_det_vis_with_neo.jpg）。

未经Neo优化和经过Neo优化后的推理结果可视化分别如下所示：

可以看出SageMaker Neo的优化基本没有影响到检测的精确度，运行时间开销输出结果如下：

[NEO Optimization Disabled] Time Cost per Frame (input size = 1x3x416x624) = 23.388335704803467 ms
[NEO Optimization Enabled] Time Cost per Frame (input size = 1x3x416x624) = 10.05416750907898 ms

SageMaker Neo优化过的模型可以将推理速度提升一倍以上，该推理时间不含将图像进行base64解码以及resize的部分。

注意：在测试结束之后，关闭该实例，避免产生不必要的费用。

本篇作者

徐高伟
亚马逊云科技解决方案架构师
负责基于亚马逊云科技的云计算方案的咨询与架构设计，致力于亚马逊云科技云服务在汽车，物联网，人工智能等行业的应用和推广。在加入亚马逊云科技之前曾在BMW无人驾驶研发中心担任机器人和人工智能专家，负责无人车环境感知，行为预测和决策规划研发。