mdz/pytorch/segrnn

segrnn

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_segrnn >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://gitee.com/mxh-spiger/custom_model.git
• branch：master
• commit_id：8bcd8e1
• weights：https://download.fdwxhb.com/data/04_FMSH-100AI/100AI/04_modelzoo/modelzoo_pub/weights/pytorch/segrnn/

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进行下载或者自行训练，使用Time-Series-Library工程进行训练，下载或者，训练完成后，将weights存放于 /checkpoints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_segrnn，同时按照训练代码readme文件中dataset项下载相关数据集，解压至工程dataset文件夹下

# 在此模型根目录
mkdir 0_segrnn
git clone -b master https://gitee.com/mxh-spiger/custom_model.git
cd Time-Series-Library
git checkout 8bcd8e1

将Time-Series-Library内容拷贝至0_segrnn文件夹下

3）进入1_scripts执行保存模型脚本,其他脚本均按下参数运行

# 在此模型根目录,以预测模型为例
cd 1_scripts
python 1_save.py --task_name long_term_forecast  --is_training 0  --root_path ../0_segrnn/dataset/ETT-small/ --data_path ETTh1.csv --model_id ETTh1_96_96 --model SegRNN --data  ETTh1 --features M --seq_len 96 --pred_len 96 --seg_len 24 --enc_in 7 --d_model 512 --dropout 0.5 --learning_rate 0.0001 --des 'Exp' --itr 1 --batch_size 1
# 若进行分类任务
cd 1_scripts
python 1_save.py --task_name classification --is_training 0  --root_path ../0_segrnn/dataset/Heartbeat/ --model_id Heartbeat --model SegRNN --seg_len 45 --data UEA --e_layers 3 --batch_size 1 --d_model 512 --d_ff 512  --des 'Exp' --itr 1 --learning_rate 0.001 --train_epochs 30 --patience 10 --enc_in 61  --dec_in 61   --c_out 61 

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. 对模型前向进行了替换
     

• 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/segrnn_cls_8.toml
  

  若进行预测任务，请使用后缀为`ltf`相关toml，分类任务则使用后缀为`cls`相关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/segrnn/imodel
  

3. 仿真

通过配置3_deploy/modelzoo/segrnn/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：

1. 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/segrnn/build_arm
   cmake ..
   make -j
   

若之前执行了1_save.py,输入输出自动在相关文件生成，否则，

5. 执行程序

   cd /home/fmsh/ModelZoo/modelzoo/segrnn/build_arm
   chmod 777 *
   
   ./segrnn ../cfg/segrnn_ltf.yaml  #预测任务
   ./segrnn ../cfg/segrnn_cls.yaml  #分类任务
   

   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）

1. 安装ssh

2. 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
   

3. 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

4. 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。

• os: windows

• cmake3.28

• visualstudio2022

2. 测试说明

1. 如果使用了DetPost硬算子（如果未使用则忽略此条）

   • 1）修改customop toml

     customop toml 即 config\customop\xxmodel.toml

     需要将该文件中的thr_f配置成0.001

     [ImageMake]
     no_imkpad = 0
     
     [DetPost]
     thr_f = 0.001 # 阈值
     cmp_en = 1  # 是否做阈值比较
     
     groups = 3
     anchor_num = 3
     position = 5
     
     

   • 2）重新进行模型编译

     icraft compile config/yolov5s_8.toml
     

     由于测精度程序由上位机控制，生成的imodel不用再复制到板子中

2. 数据集准备

• 测试数据集下载：times_series

• 由于c++加载ts较为麻烦，模型测试可使用已经处理好数据集，存放于3_deploy\modelzoo\segrnn\io\ltf\input,分类任务则对应3_deploy\modelzoo\segrnn\io\cls\input

3. 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/segrnn/cfg/

   测试时使用：./segrnn ../cfg/segrnn_ltf.yaml or ./segrnn ../cfg/segrnn_cls.yaml

   需要修改：

   • imodel中参数：根据所使用板子ip设置ip
   • dataset中参数：更改自己的dataset精度测试数据集路径
   • param中参数：如果模型没有重训，则无需更改，若 重训则需要修改对应部分参数。

4. 编译、执行运行时程序

cd 3_deploy/modelzoo/segrnn
mkdir build_win
cd build_win
cmake ..
cmake --build . --config Release
./Release/segrnn.exe ../cfg/segrnn_ltf.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-环境中配置./Release/segrnn.exe ../cfg/segrnn_ltf.yaml

5. 使用metrics测试脚本，将保存的测试结果计算出精度指标

metrics测试脚本使用与配置说明：

• c++deploy工程运行结束后自动进行精度测试

6. 模型性能记录

segrnn_ltf	input shape	hard time	qt_strategy	mae	mse
float	[1, 96, 7]	-	-	0.393878	0.367910
int8	[1, 96, 7]	0.89ms	kld-pt	0.386951	0.359742
int16	[1, 96, 7]	2.05ms	kld-pt	0.386655	0.359414

segrnn_cls	input shape	hard time	qt_strategy	acc	f1
float	[1, 405, 61]	-	-	0.756097	0.375000
int8	[1, 405, 61]	2.89ms	null-pt	0.754902	0.358974
int16	[1, 405, 61]	6.56ms	null-pt	0.754902	0.375000