resnet50训练部署教程

ResNet50训练主要还是想部署到RK3568开发板上,先记录下训练和转成ONNX模型过程。

1. Resnet50简介

ResNet50网络是2015年由微软实验室的何恺明提出,获得ILSVRC2015图像分类竞赛第一名。在ResNet网络提出之前,传统的卷积神经网络都是将一系列的卷积层和池化层堆叠得到的,但当网络堆叠到一定深度时,就会出现退化问题。 残差网络的特点是容易优化,并且能够通过增加相当的深度来提高准确率。其内部的残差块使用了跳跃连接,缓解了在深度神经网络中增加深度带来的梯度消失问题。

本教程基于图像分类算法ResNet50的训练和部署到EASY-EAI-Nano(RV1126)进行说明。

resnet50训练部署教程_第1张图片

2. 准备数据集

2.1 数据集下载

本教程以车辆分类算法为例,数据集的百度网盘下载链接为:

https://pan.baidu.com/s/1pkYm9AA3s3WDM7GecShlbQ 提取码:6666

解压完成后得到以下两个文件夹:

resnet50训练部署教程_第2张图片

打开可以看到一共10类汽车:

resnet50训练部署教程_第3张图片

类别名称与类别索引关系如下所示:

类别名称 类别索引号
SUV 0
BUS 1
family sedan 2
fire engine 3
heavy truck 4
jeep 5
mini bus 6
racing car 7
taxi 8
truck 9

3. ResNet50图像分类训练

3.1 训练源码下载

训练源码的百度网盘下载链接为:

https://pan.baidu.com/s/1slgFo12Hoy0_copi1MFmXg 提取码:6666

得到下图所示目录:

resnet50训练部署教程_第4张图片

把数据集解压到当前目录:

resnet50训练部署教程_第5张图片

3.2 训练模型

进入anconda的pyTorch环境,切换到训练源码目录执行以下指令开始训练:

python train.py

执行结果如下图所示:

resnet50训练部署教程_第6张图片

训练结束后test loss结果如下所示:

resnet50训练部署教程_第7张图片

训练结束后test accuracy结果如下所示:

resnet50训练部署教程_第8张图片

生成的最优模型如下所示:

resnet50训练部署教程_第9张图片

3.3 在PC端测试模型

在训练源码目录执行以下指令,测试模型(生成模型名称不一致则修改predict.py脚本):

python predict.py

resnet50训练部署教程_第10张图片

结果类别索引号为1——BUS, 测试结果正确。

resnet50训练部署教程_第11张图片

3.4 pth模型转换为onnx模型

执行以下指令把pytorch的pth模型转换onxx模型:

python pth_to_onnx.py

resnet50训练部署教程_第12张图片

生成ONNX模型如下所示:

resnet50训练部署教程_第13张图片

4. rknn-toolkit模型转换

4.1 rknn-toolkit模型转换环境搭建

onnx模型需要转换为rknn模型才能在EASY-EAI-Nano运行,所以需要先搭建rknn-toolkit模型转换工具的环境。当然tensorflow、tensroflow lite、caffe、darknet等也是通过类似的方法进行模型转换,只是本教程onnx为例。

4.1.1 概述

模型转换环境搭建流程如下所示:

4.1.2 下载模型转换工具

为了保证模型转换工具顺利运行,请下载网盘里”AI算法开发/RKNN-Toolkit模型转换工具/rknn-toolkit-v1.7.3/docker/rknn-toolkit-1.7.3-docker.tar.gz”。

网盘下载链接:https://pan.baidu.com/s/1_PquxW2rFuf77q6mT3gkDQ 提取码:6666

4.1.3 把工具移到ubuntu18.04

把下载完成的docker镜像移到我司的虚拟机ubuntu18.04的rknn-toolkit目录,如下图所示:

resnet50训练部署教程_第14张图片

4.1.4 运行模型转换工具环境

在该目录打开终端:

resnet50训练部署教程_第15张图片

执行以下指令加载模型转换工具docker镜像:

docker load --input /home/developer/rknn-toolkit/rknn-toolkit-1.7.3-docker.tar.gz

执行以下指令进入镜像bash环境:

docker run -t -i --privileged -v /dev/bus/usb:/dev/bus/usb rknn-toolkit:1.7.3 /bin/bash

现象如下图所示:

resnet50训练部署教程_第16张图片

输入“python”加载python相关库,尝试加载rknn库,如下图环境测试成功:

resnet50训练部署教程_第17张图片

至此,模型转换工具环境搭建完成。

4.2 模型转换为RKNN

EASY EAI Nano支持.rknn后缀的模型的评估及运行,对于常见的tensorflow、tensroflow lite、caffe、darknet、onnx和Pytorch模型都可以通过我们提供的 toolkit 工具将其转换至 rknn 模型,而对于其他框架训练出来的模型,也可以先将其转至 onnx 模型再转换为 rknn 模型。 模型转换操作流程入下图所示:

resnet50训练部署教程_第18张图片

4.2.1 模型转换Demo下载

下载百度网盘链接:https://pan.baidu.com/s/1iTcklPq7lyfVbG4GlsZNIg 提取码:6666。把resnet50_model_convert.tar.bz2quant_dataset.zip解压到虚拟机,如下图所示:

resnet50训练部署教程_第19张图片

4.2.2 进入模型转换工具docker环境

执行以下指令把工作区域映射进docker镜像,其中/home/developer/rknn-toolkit/model_convert_test为工作区域,/test为映射到docker镜像,/dev/bus/usb:/dev/bus/usb为映射usb到docker镜像:

docker run -t -i --privileged -v /dev/bus/usb:/dev/bus/usb -v /home/developer/rknn-toolkit/model_convert_test:/test rknn-toolkit:1.7.3 /bin/bash

执行成功如下图所示:

resnet50训练部署教程_第20张图片

4.2.3 模型转换Demo目录介绍

模型转换测试Demo由resnet50_model_convertquant_dataset组成。resnet50_model_convert存放软件脚本,quant_dataset存放量化模型所需的数据。如下图所示:

resnet50训练部署教程_第21张图片

resnet50_model_convert文件夹存放以下内容,如下图所示:

resnet50训练部署教程_第22张图片

4.2.4 生成量化图片列表

在docker环境切换到模型转换工作目录:

cd /test/resnet50_model_convert

如下图所示:

resnet50训练部署教程_第23张图片

执行gen_list.py生成量化图片列表:

python gen_list.py

命令行现象如下图所示:

resnet50训练部署教程_第24张图片

生成“量化图片列表”如下文件夹所示:

resnet50训练部署教程_第25张图片

4.2.5 onnx模型转换为rknn模型

rknn_convert.py脚本默认进行int8量化操作,脚本代码清单如下所示:

import os
import urllib
import traceback
import time
import sys
import numpy as np
import cv2
from rknn.api import RKNN


ONNX_MODEL = '10class_ResNet50.onnx'
RKNN_MODEL = './10class_ResNet50.rknn'
DATASET = './pic_path.txt'

QUANTIZE_ON = True

if __name__ == '__main__':

	# Create RKNN object
	rknn = RKNN(verbose=True)

	if not os.path.exists(ONNX_MODEL):
		print('model not exist')
		exit(-1)

	# pre-process config
	print('--> Config model')
	rknn.config(reorder_channel='0 1 2',
			    mean_values=[[123.67, 116.28,103.53]],
			    std_values=[[58.395, 57.12, 57.375]],
			    optimization_level=3,
			    target_platform = 'rv1126',
			    output_optimize=1,
			    quantize_input_node=QUANTIZE_ON)
	print('done')

	# Load ONNX model
	print('--> Loading model')
	ret = rknn.load_onnx(model=ONNX_MODEL)
	if ret != 0:
		print('Load  failed!')
		exit(ret)
	print('done')

	# Build model
	print('--> Building model')
	ret = rknn.build(do_quantization=QUANTIZE_ON, dataset=DATASET)
	if ret != 0:
		print('Build resnet failed!')
		exit(ret)
	print('done')

	# Export RKNN model
	print('--> Export RKNN model')
	ret = rknn.export_rknn(RKNN_MODEL)
	if ret != 0:
		print('Export resnet failed!')
		exit(ret)
	print('done')

把onnx模型10class_ResNet50.onnx放到resnet50_model_convert目录,并执行rknn_convert.py脚本进行模型转换:

python rknn_convert.py

生成模型如下图所示,此模型可以在rknn-toolkit环境和EASY EAI Nano环境运行:

resnet50训练部署教程_第26张图片

4.2.6 运行rknn模型

predict.py脚本在PC端的环境下可以运行rknn的模型,如下图所示:

resnet50训练部署教程_第27张图片

predict.py脚本程序清单如下所示:

import os
import urllib
import traceback
import time
import sys
import numpy as np
import cv2
import random
from rknn.api import RKNN

RKNN_MODEL = '10class_ResNet50.rknn'
IMG_PATH = './test-1.jpg'


BOX_THRESH = 0.25
NMS_THRESH = 0.6


CLASSES = ("SUV", "bus", "family sedan", "fire engine", "heavy truck", "jeep", "minibus", "racing car", "taxi", "truck")


def show_outputs(output):

	print("softmax output:", output)

	max_confidence = np.max(output)
	index = np.where(output == max_confidence)
	print("max confidence:", max_confidence)
	print("max confidence index:", index[0][0])
	print("CLASSES predict: ", CLASSES[index[0][0]])

def softmax(x):
    return np.exp(x)/sum(np.exp(x))

if __name__ == '__main__':

	# Create RKNN object
	rknn = RKNN(verbose=True)

	print('--> Loading model')
	ret = rknn.load_rknn(RKNN_MODEL)
	if ret != 0:
		print('load rknn model failed')
		exit(ret)
	print('done')

	# init runtime environment
	print('--> Init runtime environment')
	ret = rknn.init_runtime()
	# ret = rknn.init_runtime('rv1126', device_id='1126')
	if ret != 0:
		print('Init runtime environment failed')
		exit(ret)
	print('done')

	# Set inputs
	img = cv2.imread(IMG_PATH)
	img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
	resize_img = cv2.resize(img,(224,224))

	# Inference
	print('--> Running model')
	outputs = rknn.inference(inputs=[resize_img])

	print("outputs[0]:", outputs[0])
	print("outputs[0].shape:", outputs[0].shape)
	show_outputs(softmax(np.array(outputs[0][0])))

	print('done')
	rknn.release()

执行结果如下图所示:

resnet50训练部署教程_第28张图片

4.2.7 模型预编译

由于rknn模型用NPU API在EASY EAI Nano加载的时候启动速度会很慢,在评估完模型精度没问题的情况下,建议进行模型预编译。预编译的时候需要通过EASY EAI Nano主板的环境,所以请务必接上adb口与ubuntu保证稳定连接。

板子端接线如下图所示,拨码开关需要是adb:

虚拟机要保证接上adb设备:

resnet50训练部署教程_第29张图片

由于在虚拟机里ubuntu环境与docker环境对adb设备资源是竞争关系,所以需要关掉ubuntu环境下的adb服务,且在docker里面通过apt-get安装adb软件包。以下指令在ubuntu环境与docker环境里各自执行:

resnet50训练部署教程_第30张图片

在docker环境里执行adb devices,现象如下图所示则设备连接成功:

resnet50训练部署教程_第31张图片

运行precompile_rknn.py脚本把模型执行预编译:

python precompile_rknn.py

执行效果如下图所示,生成预编译模型10class_ResNet50_pre.rknn

resnet50训练部署教程_第32张图片

至此预编译部署完成,模型转换步骤已全部完成。生成如下预编译后的int8量化模型:

resnet50训练部署教程_第33张图片

至此RKNN模型生成完毕,注意预编译模型只能在板卡端执行。

5. ResNet50图像分类部署

5.1 模型部署示例介绍

本小节展示ResNet50模型的在EASY EAI Nano的部署过程,该模型仅经过简单训练供示例使用,不保证模型精度。

5.2 开发环境准备

如果您初次阅读此文档,请阅读《入门指南/开发环境准备/Easy-Eai编译环境准备与更新》,并按照其相关的操作,进行编译环境的部署

在PC端Ubuntu系统中执行run脚本,进入EASY-EAI编译环境,具体如下所示。

cd ~/develop_environment
./run.sh

resnet50训练部署教程_第34张图片

5.3 源码下载以及例程编译

下载ResNet50 C Demo示例文件。

百度网盘链接: (https://pan.baidu.com/s/1obT-Ipdwzafqyn3-93OoeA 提取码:6666)。

下载程序包移至ubuntu环境后,执行以下指令解压:

tar -xvf resnet50_classification_C_demo.tar.bz2

下载解压后如下图所示:

resnet50训练部署教程_第35张图片

在EASY-EAI编译环境下,切换到例程目录执行编译操作:

cd /opt/rknn-toolkit/resnet50_classification_C_demo/
./build.sh

注:
* 由于依赖库部署在板卡上,因此交叉编译过程中必须保持adb连接。

resnet50训练部署教程_第36张图片

5.4 在开发板执行ResNet50 图像分类算法

在EASY-EAI编译环境下,在例程目录执行以下指令把可执行程序推送到开发板端:

cp resnet_classification_demo_release/ /mnt/userdata/ -rf

通过按键Ctrl+Shift+T创建一个新窗口,执行adb shell命令,进入板卡运行环境:

adb shell

resnet50训练部署教程_第37张图片

进入板卡后,定位到例程上传的位置,如下所示:

 cd /userdata/resnet_classification_demo_release/

运行例程命令如下所示:

./resnet_classification_demo

执行结果如下图所示,算法执行时间约为35ms:

resnet50训练部署教程_第38张图片

至此,ResNet50图像分类例程已成功在板卡运行。

6. 资料下载

资料名称 链接
算法教程完整源码包 https://pan.baidu.com/s/1VUjqbv847XUsk08PlnICw
提取码:6666
硬件外设库源码github https://github.com/EASY-EAI/EASY-EAI-Toolkit-C-SDK

你可能感兴趣的:(python,pytorch,ResNet50,图像分类,ResNet50)