20 KiB

Raw Permalink Blame History

U2Net_det

下载

✨ 一键下载开发流程中所需的各种文件，包括编译使用的量化校准集、运行时工程的依赖库，以及输入输出文件。

💡 推荐使用linux版下载脚本，其wget包含断网自动重连功能，不会出现下载文件遗漏情况。

windows

📌 第一次使用，请在C盘根目录下新建icraft_auth.txt，保存下载站账号密码，以换行符分隔

需要事先下载windows版本wget：

（若点击以下链接后未直接下载，请选择 1.20.3 版本下的对应系统链接进行下载）

x86系统wget下载 x64系统wget下载

使用时需要将wget.exe的路径作为命令行参数传入，注意不是exe的父文件夹目录，而是包含wget.exe的完整绝对路径：

不下载Deps：./download.ps1 "PATH_TO_WGET_EXE"

如果您是第一次使用我们的模型库，请下载包括工程依赖库的所有文件：./download.ps1 "PATH_TO_WGET_EXE" -d

💡 下载过程中可能因网络问题出现中断情况，需 自行重新运行 下载脚本。

linux

📌 第一次使用，请在/usr根目录下新建icraft_auth.txt，保存下载站账号密码，以换行符分隔

为确保文件格式正确，请在运行脚本前安装格式转换工具dos2unix，并执行格式转换命令：

sudo apt-get install dos2unix
dos2unix /usr/icraft_auth.txt
dos2unix ./download.sh

如果您是第一次使用我们的模型库，请下载包括工程依赖库的所有文件：./download.sh -d

如果之前已经在使用别的模型时下载过Deps依赖库，可以直接将其中的thirdparty部分复制到路径3_deploy/Deps，只需下载量化校准集和输入输出文件即可：./download.sh

🌟 Tips：

若想要直接获取原始weights和导出保存的模型，可分别前往 weights 和 fmodels 网页上根据框架及模型名寻找并下载。

0. 文件结构说明

AI部署模型需要以下几部分文件

0_U2Net_det >模型原始工程，需要自行下载
weights >存放原始权重，需要自行下载
1_scripts >若干脚本，用于保存Icraft编译器需要的模型、编译后仿真等功能
2_compile >Icraft编译器编译模型时所需要的文件
3_deploy >将Icraft编译器编译出的模型部署到硬件时需要的c++工程

1. python工程准备

1. 模型来源：

code：https://github.com/xuebinqin/U-2-Net.git
branch：master
commit_id：53dc9da
weights：https://drive.google.com/file/d/1ao1ovG1Qtx4b7EoskHXmi2E9rp5CHLcZ/view

2. 保存模型

目的：将模型保存成可以被Icraft编译器编译的形态

1）根据模型来源中的地址：https://drive.google.com/file/d/1ao1ovG1Qtx4b7EoskHXmi2E9rp5CHLcZ/view ，下载原始weights，存放于 /weights文件夹中

注意：

有时开源的weights url可能会变更。如果上述weights url失效，请根据原工程相应的branch以及commit版本寻找正确的下载链接
若上述weights url永久失效，请联系本模型库相关人员获取权限下载

2）根据模型来源中的地址，下载指定commit id版本的源代码，文件夹名称要设置为：0_U2Net_det

# 在此模型根目录
mkdir 0_U2Net_det
git clone -b master https://github.com/xuebinqin/U-2-Net.git 0_U2Net_det
cd 0_U2Net_det
git checkout 53dc9da

3）进入1_scripts执行保存模型脚本

# 在此模型根目录
cd 1_scripts
python 1_save.py

1_scripts提供脚本说明：

环境要求：Icraft编译器对导出框架模型时使用的框架版本有要求。即以下脚本中所有导出模型的脚本1_save.py ，必须在要求的框架版本下执行，其他脚本不限制。要求的版本：
- pytorch：支持pytorch1.9.0、pytorch2.0.1两个版本的原生网络模型文件（.pt格式），以及pytorch框架保存为onnx（opset=17）格式的模型文件（.onnx格式）
- paddle：仅支持PaddlePaddle框架保存为onnx（opset=11）格式的模型文件（.onnx格式），不支持框架原生网络模型文件
- darknet：支持Darknet框架原生网络模型GitHub - pjreddie/darknet: Convolutional Neural Networks
0_infer.py >可以推理一张图并得到最终结果，模型原始权重会从 /weights 中寻找，需要您预先下载
1_save.py >保存模型，保存好的用于Icraft编译器的模型，会存放在 /2_compile/fmodel

保存模型时的修改点：
1. 更改多输出为单输出，模型前向只输出d0；
2_save_infer.py >用修改后保存的模型做前向推理，验证保存的模型与原模型是否一致

2.使用Icraft编译器编译模型

目的：使用Icraft编译器将上一步保存好的框架模型转化为硬件可部署模型

1）相关命名说明：

1）fmodel：frame model >用于Icraft编译器的框架模型

2）imodel：icraft model >用Icraft编译器编译出的模型

3）qtset：Quantitative Calibration Set >Icraft编译器所需的量化校准集
2）确认已安装正确的icraft版本

检查方法：打开cmd运行：icraft --version

若已正常安装则会显示当前icraft版本，例如：
```
Icraft 版本:
 * 3.7.1

CLI 版本:
3.7.0.0-a90988f(2412231401)
```

3）执行编译：

在 /2_compile目录下执行编译：

 icraft compile config/U2Net_det_8.toml

如果过程顺利，将得到 icraft model（以 `.json` （graph）`.raw`（param）的格式保存）

其中包括编译各阶段产生的中间结果模型和最终用于片上部署的BY模型，直接被保存到:  3_deploy/modelzoo/U2Net_det/imodel

3. 仿真

通过配置3_deploy/modelzoo/U2Net_det/cfg/中yaml文件的sim字段为True实现模型仿真。

imodel:
   ...
   sim: true
   ...

4. 部署模型

部署环境检查

以root账户登录片上系统terminal（ssh或串口皆可），模型库默认的模型存放路径为以下目录，如果没有请预先创建：

/home/fmsh/ModelZoo/

检查板上环境是否正确：
1. 查看环境变量，指令： icraft --version
  
  看打印信息是否如下：
```
Icraft 版本:
* v3.7.1

CLI 版本:
3.7.0.0-a90988f(2412231401)
```
2. 若是，在任意目录下输入icraft-serve即可打开server
3. 检查icraft和customop安装包版本是否为arm64
```
# 检查icraft安装包版本
dpkg -l | grep icraft
# 检查customop安装包版本
dpkg -l | grep customop
```
  如果依次显示如下信息，则安装版本正确：
```
ii  icraft                         3.7.1                             arm64        This is Icraft for arm64
ii  customop                       3.7.1                             arm64        This is Icraft CustomOp for arm64
```
4. 如果环境配置有误，请参考Part 1_1 2.3.1 片上系统环境编译环境准备进行部署环境配置。
5. 根据此模型使用的硬算子，选择合适的位流，并在板上安装，所用硬算子及可选位流版本可参见本说明文档起始处的状态徽章，位流下载及安装说明请参考1/4) 其他下载资源。

c++ runtime:

目的：编译c/c++可执行程序，在AI硬件上执行模型前向推理

模型库以ubuntu操作系统为例：

编译环境准备
- os: ubuntu20.04
- cmake>=3.10
- compiler: aarch64-linux-gnu-g++/aarch64-linux-gnu-gcc 编译c++程序
```
#在3.1所需的linux编译环境中
cd 3_deploy/modelzoo/U2Net_det/build_arm
cmake ..
make -j
```

执行程序

cd /home/fmsh/ModelZoo/modelzoo_v3.1.1/U2Net_det/build_arm
chmod 777 *
./U2Net_det_psin ../cfg/U2Net_det.yaml

在io/output中查看结果

5. 精度测试

由于精度测试需要遍历一个数据集中的所有图片，因此需要使用上位机作为主控操作系统（demo中是按windows作为上位机操作系统来做的），使用网口连接板子，运行时输入数据会通过上位机经由网口传到片上进行推理。

1. 环境准备

若已准备好环境请跳过此部分

1. 网口调试环境准备（如果已经准备好网口调试环境则看下一条）

安装ssh

查看或配置板子ip

使用串口连接板子
vim /etc/rc.local
查看或设置ip

#!/bin/bash
ifconfig eth0 192.168.125.171 netmask 255.255.255.0
systemctl start sshd

修改本地网络适配器配置

参考配置
- ipv4地址：192.168.125.2
- 子网掩码：255.255.255.0
- 默认网关：192.168.125.1
- 连接速度与双工：100mbps全双工

使用网口或串口进入板上系统打开server

上位机：

ssh root@192.168.125.171

板上：确保位于root账户下，执行：

icraft-serve

请确保在root账户下执行上述命令
设备成功打开示意图

root@U:~# icraft-serve
[02/22/24 02:02:00.388] [I] Using port : 9981
[02/22/24 02:02:00.388] [I] synchronous mode
[02/22/24 02:02:00.388] [I] [irpc::port::tcp::_waitNewConn] wait for new connection

如果能正确运行则可以继续下一步。

2.编译环境准备

请参考2.1Windows编译环境准备进行精度测试环境配置。

2. 测试说明

数据集准备

测试数据集下载：DUTS-TE
- 模型测试使用DUTS-TE数据集，测试图片存放于 3_deploy\modelzoo\U2Net_det\io\DUTS-TE\DUTS-TE-Image\文件夹下，对应的list文件存放于3_deploy\modelzoo\U2Net_det\io\DUTS-TE\list.txt中
- 如需测试其他数据集，需自行将图片存放于3_deploy\modelzoo\U2Net_det\io\input,并准备对应的input.txt
修改运行时的yaml配置文件：

运行时需要配置一些模型路径，输入数据，后处理参数等，其配置文件在3_deploy/modelzoo/U2Net_det/cfg/

测试时使用：U2Net_det_test.yaml中的参数设置

需要修改以下字段：
- imodel中参数：设置imodel路径，并根据所使用板子ip设置ip，如需保存图片将save设置为true，如需可视化将show设置为true，反之，设置为false；
- dataset中参数：设置dataset精度测试数据集路径；
编译、执行运行时程序
```
cd 3_deploy/modelzoo/U2Net_det
mkdir build_win
cd build_win
cmake ..
cmake --build . --config Release
./Release/U2Net_det_psin.exe ../cfg/U2Net_det_test.yaml
```
注意：如果使用visualstudio打开sln进行调试，需要右键工程-属性-调试-命令参数中配置 ../cfg/U2Net_det_test.yaml
使用metrics测试脚本，将保存的测试结果计算出精度指标

精度测试脚本存放于：https://gitee.com/mxh-spiger/benchmark

本模型使用./MAE/Saliency_Evaluation.py，在使用时需要指定测试结果的路径，示例如下：
```
python  Saliency_Evaluation.py  --result_pic  ../io/output/8/
```

6. 模型性能记录

U2Net_det	input shape	hard time	qt_strategy	精度
float	[1, 3, 320, 320]	-	-	MAE:4.40%; Max-F:87.30%; weighted-F:80.40%
8bit	[1, 3, 320, 320]	37.7630ms	kld-pt	MAE:4.79%; Max-F:86.70%; weighted-F:79.04%
16bit	[1, 3, 320, 320]	72.7427ms	kld-pt	MAE:4.76%; Max-F:86.69%; weighted-F:79.19%

20 KiB Raw Permalink Blame History Unescape Escape