作者:战鹏州 英特尔物联网行业创新大使
本文将介绍基于OpenVINOTM模型优化器或预处理API将数据预处理嵌入AI模型的常见技巧,帮助读者在硬件投入不变的情况下,进一步提升端到端的AI推理程序的性能。本文所有范例程序已开源:https://gitee.com/ppov-nuc/resnet_ov_ppp.git,并在基于第12 代英特尔® 酷睿™ 处理器的AI开发者套件上完成测试。
以YOLOv5模型转换为例,使用模型优化器命令:
mo --input_model yolov5s.onnx --data_type FP16
将yolov5s.onnx模型转为IR格式模型,并将模型精度从FP32转为FP16——这是最常见的模型优化器使用方式。基于上述IR模型,在编写AI推理程序时,由于图像数据的数值精度和形状,跟模型输入节点要求的数值精度和形状不一样,所以还需要将数据在输入模型前对其进行预处理。
以YOLOv5模型为例,使用YOLOv5代码仓自带的zidane.jpg图像,打印出图像的数值精度和形状,以及模型输入节点的数值精度和形状,对比如下,如图1-1所示。
图1-1 OpenCV读入的图像 vs 模型输入节点
从上图可以看出,通过OpenCV的imread()函数读取的图像数据,在数据形状、数值精度、数值范围等地方,与模型输入节点的要求不一样,如下表所示
OpenCV读取的图像数据 |
YOLOv5模型输入节点 |
|
数据形状(Shape) |
[720, 1280, 3] |
[1, 3, 640, 640] |
数值精度(dtype) |
UINT8 |
FP32 |
数值范围 |
0 - 255 |
0.0 - 1.0 |
颜色通道顺序 |
BGR |
RGB |
数据布局(Layout) |
HWC |
NCHW |
由于存在上述的差异,数据在传入模型前必须进行预处理,以满足模型输入节点的要求。数据预处理可以在推理代码中编程实现,也可以用模型优化器实现,或者用OpenVINOTM预处理API实现,本文将依次详细介绍。
模型优化器可以将颜色通道顺序调整、图像数据归一化等预处理操作嵌入模型,参考《OpenVINO™ 模型转换技术要点解读》。通过指定参数:
当上述三个操作同时指定时,预处理顺序为:
输入数据→reverse_input_channels→mean_values→scale_values→原始模型
在转换模型时,假设推理程序使用OpenCV库读取图像,则可以在模型优化器中增加mean_values、scale_values和reverse_input_channels三个参数,把颜色通道顺序调整和图像数据归一化操作嵌入模型。若推理程序使用非OpenCV库读取图像,例如PIL.Image,则无需添加--reverse_input_channels参数。
下面本文将以ResNet模型为例,展示使用模型优化器将预处理嵌入模型的完整过程。
ResNet不仅是2015年ILSVRC大赛冠军,还是产业实践中常用的卷积神经网络模型。PyTorch已将ResNet集成到torchvision中,将PyTorch格式的ResNet模型转为ONNX格式,完整代码如下:
from torchvision.models import resnet50, ResNet50_Weights
import torch
# https://pytorch.org/vision/stable/models/generated/torchvision.models.resnet50.html
weights = ResNet50_Weights.IMAGENET1K_V2
model = resnet50(weights=weights, progress=False).cpu().eval()
# define input and output node
dummy_input = torch.randn(1, 3, 224, 224, device="cpu")
input_names, output_names = ["images"], ['output']
torch.onnx.export(model,
dummy_input,
"resnet50.onnx",
verbose=True,
input_names=input_names,
output_names=output_names,
opset_version=13
)
在导出PyTorch格式模型为ONNX格式时,需要注意的是算子版本(opset_version)最好≥11。另外,OpenVINO2022.2支持ONNX 1.8.1,即opset_version=13, 所以本文将opset_version设置为13。
基于ImageNet 1k数据集训练的ResNet模型的归一化参数为:
将ONNX模型转换为OpenVINO™ IR模型的命令为:
mo -m resnet50.onnx --mean_values=[123.675,116.28,103.53] --scale_values=[58.395,57.12,57.375] --data_type FP16 --reverse_input_channels
当获得ResNet50的IR模型后,可以使用下面的程序,完成推理计算
from openvino.runtime import Core
import cv2
import numpy as np
core = Core()
resnet50 = core.compile_model("resnet50.xml", "CPU")
output_node = resnet50.outputs[0]
# Resize
img = cv2.resize(cv2.imread("cat.jpg"), [224,224])
# Layout: HWC -> NCHW
blob = np.expand_dims(np.transpose(img, (2,0,1)), 0)
result = resnet50(blob)[output_node]
print(np.argmax(result))
在上面的推理代码中,仍有调整图像尺寸,改变图像数据布局等操作在推理代码中实现,接下来,本文将介绍用OpenVINOTM预处理API,将更多预处理操作嵌入模型中。
从OpenVINO™ 2022.1开始,OpenVINO提供一套预处理API,将数据预处理嵌入模型,参考《使用OpenVINO™ 预处理API进一步提升YOLOv5推理性能》。将数据预处理嵌入模型的好处是:
使用OpenVINOTM预处理API将预处理嵌入模型的完整范例程序export_resnet_ov_ppp.py,如下所示:
from openvino.preprocess import PrePostProcessor, ColorFormat, ResizeAlgorithm
from openvino.runtime import Core, Layout, Type, serialize
# ======== Step 0: read original model =========
core = Core()
model = core.read_model("resnet50.onnx")
# ======== Step 1: Preprocessing ================
ppp = PrePostProcessor(model)
# Declare section of desired application's input format
ppp.input("images").tensor() \
.set_element_type(Type.u8) \
.set_spatial_dynamic_shape() \
.set_layout(Layout('NHWC')) \
.set_color_format(ColorFormat.BGR)
# Specify actual model layout
ppp.input("images").model().set_layout(Layout('NCHW'))
# Explicit preprocessing steps. Layout conversion will be done automatically as last step
ppp.input("images").preprocess() \
.convert_element_type() \
.convert_color(ColorFormat.RGB) \
.resize(ResizeAlgorithm.RESIZE_LINEAR) \
.mean([123.675, 116.28, 103.53]) \
.scale([58.624, 57.12, 57.375])
# Dump preprocessor
print(f'Dump preprocessor: {ppp}')
model = ppp.build()
# ======== Step 2: Save the model with preprocessor================
serialize(model, 'resnet50_ppp.xml', 'resnet50_ppp.bin')
export_resnet_ov_ppp.py运行结果,如下图所示:
从上面的代码可见,使用OpenVINOTM预处理API,可以将图像尺寸调整、彩色通道转换、数据归一化、数据布局转换全部集成到模型中,并且无需运行模型优化器,即可以将ONNX模型导出为IR模型。
基于resnet50_ppp.xml的完整推理程序,如下所示:
from openvino.runtime import Core
import cv2
import numpy as np
core = Core()
resnet50_ppp = core.compile_model("resnet50_ppp.xml", "CPU")
output_node = resnet50_ppp.outputs[0]
blob = np.expand_dims(cv2.imread("cat.jpg"),0)
result = resnet50_ppp(blob)[output_node]
print(np.argmax(result))
如上所示,基于内嵌预处理的IR模型,OpenVINO推理程序变得更加简单清晰,易读易懂了。五行Python核心代码实现了内嵌预处理的ResNet模型推理!
在《在蝰蛇峡谷上实现YOLOv5模型的OpenVINO异步推理程序》讨论了AI应用程序端到端的性能。对于首次推理时延来说,模型的载入和编译时间,会极大增加首次推理的端到端的运行时间。
使用模型缓存技术,将极大的缩短首次推理时延,如下图所示。
使用模型缓存技术,只需要添加一行代码:core.set_property({'CACHE_DIR': './cache/ppp'}),完整范例代码如下所示:
from openvino.runtime import Core
import cv2
import numpy as np
core = Core()
core.set_property({'CACHE_DIR': './cache/ppp'}) # 使用模型缓存技术
resnet50_ppp = core.compile_model("resnet50_ppp.xml", "CPU")
output_node = resnet50_ppp.outputs[0]
blob = np.expand_dims(cv2.imread("cat.jpg"),0)
result = resnet50_ppp(blob)[output_node]
print(np.argmax(result))
当第二次运行推理程序时,OpenVINOTM运行时将从缓存文件夹直接加载已编译好的模型,极大的优化了首次推理时延。
本文详细介绍了通过模型优化器和OpenVINOTM预处理API,将数据预处理嵌入AI模型的技术。将数据预处理嵌入模型,简化了推理程序编写,提升推理计算设备利用率并提升了AI程序端到端的性能。最后,本文还介绍了通过模型缓存技术,进一步优化AI程序端到端的首次推理时延性能。