基于 Resnet18 的图像分类

1. 配置 Docker 开发环境

参考 这里 配置好 Docker 开发环境后，再回到这里继续下一步。

注意

若您使用已经配置好的 Docker 开发环境，请您启动 Docker 后务必按照 Docker 配置教程执行 source ./tpu-mlir/envsetup.sh 命令，否则后续步骤可能报错。

2. 在 Docker 中准备工作目录

创建并进入 resnet18 工作目录，注意是与 tpu-mlir 同级的目录

# mkdir resnet18 && cd resnet18

获取原始模型

# wget https://github.com/onnx/models/raw/main/validated/vision/classification/resnet/model/resnet18-v1-7.tar.gz

将 resnet18-v1-7.tar.gz 解压

# tar -zxvf resnet18-v1-7.tar.gz

解压后会在当前目录生成 resnet18-v1-7 文件夹，该文件夹下包含有 resnet18-v1-7.onnx 模型文件

拷贝测试图片:

# cp -rf ${TPUC_ROOT}/regression/dataset/ILSVRC2012/ .
# cp -rf ${TPUC_ROOT}/regression/image/ .

这里的 ${TPUC_ROOT} 是环境变量，对应 tpu-mlir 目录，是在前面配置 Docker 开发环境中 source ./tpu-mlir/envsetup.sh 这一步加载的

创建并进入 work 工作目录，用于存放编译生成的 MLIR、cvimodel 等文件

# mkdir work && cd work

3. ONNX 模型转换

提示

Duo 开发板搭载的是 CV1800B 芯片，该芯片支持 ONNX 系列 和 Caffe 模型，目前不支持 TFLite 模型。在量化数据类型方面，支持 BF16 格式的量化 和 INT8 格式的非对称量化

模型转换步骤如下：

• ONNX 模型转换成 MLIR
• 生成量化需要的校准表
• MLIR 量化成 INT8 非对称 cvimodel

ONNX 模型转换成 MLIR

本例中的模型是 RGB 输入, mean 和 scale 分别为 123.675,116.28,103.53 和 0.0171,0.0175,0.0174

将 ONNX 模型转换为 MLIR 模型的命令如下:

model_transform.py \
 --model_name resnet18 \
 --model_def ../resnet18-v1-7/resnet18-v1-7.onnx \
 --test_input ../image/cat.jpg \
 --input_shapes [[1,3,224,224]] \
 --resize_dims 256,256 \
 --mean 123.675,116.28,103.53 \
 --scale 0.0171,0.0175,0.0174 \
 --pixel_format rgb \
 --test_result resnet18_top_outputs.npz \
 --mlir resnet18.mlir

运行成功效果示例

转成 MLIR 模型后，会生成一个 resnet18.mlir 文件，该文件即为 MLIR 模型文件，还会生成一个 resnet18_in_f32.npz 文件和一个 resnet18_top_outputs.npz 文件，是后续转模型的输入文件

MLIR 转 INT8 模型

生成量化需要的校准表

在转 INT8 模型之前需要先生成校准表，这里用现有的 100 张来自 ILSVRC2012 的图片举例，执行 calibration 命令：

run_calibration.py resnet18.mlir \
 --dataset ../ILSVRC2012 \
 --input_num 100 \
 -o resnet18_cali_table

运行成功效果示例

运行完成后会生成名为 resnet18_cali_table 的文件, 该文件用于后续编译 INT8 模型的输入文件

MLIR 量化成 INT8 非对称 cvimodel

将 MLIR 模型转换为 INT8 模型的命令如下:

model_deploy.py \
 --mlir resnet18.mlir \
 --quantize INT8 \
 --calibration_table resnet18_cali_table \
 --chip cv180x \
 --test_input ../image/cat.jpg \
 --test_reference resnet18_top_outputs.npz \
 --compare_all \
 --fuse_preprocess \
 --model resnet18_int8_fuse.cvimodel

提示

如果您使用的开发板不是 Duo ，请将上述命令中第 5 行 --chip cv180x 更换为对应的芯片型号。 使用 Duo 256M/Duo S 时应更改为 --chip cv181x。

运行成功效果示例

编译完成后, 会生成名为 resnet18_int8_fuse.cvimodel 的文件

4. 在 Duo 开发板上进行验证

连接 Duo 开发板

根据前面的教程完成 Duo 开发板与电脑的连接，并使用 mobaxterm 或 Xshell 等工具开启终端操作 Duo 开发板

获取 tpu-sdk

在 Docker 终端下切换到 /workspace 目录

cd /workspace

下载 tpu-sdk，如果您使用的是 Duo ，则执行

git clone https://github.com/milkv-duo/tpu-sdk-cv180x.git
mv ./tpu-sdk-cv180x ./tpu-sdk

如果您使用的是 Duo 256M/Duo S ,则执行

git clone https://github.com/milkv-duo/tpu-sdk-sg200x.git
mv ./tpu-sdk-sg200x ./tpu-sdk

将开发工具包和模型文件拷贝到 Duo 开发板上

在 duo 开发板的终端中，新建文件目录 /mnt/tpu/

# mkdir -p /mnt/tpu && cd /mnt/tpu

在 Docker 的终端中，将 tpu-sdk 和模型文件拷贝到 Duo 开发板上

# scp -r /workspace/tpu-sdk [email protected]:/mnt/tpu/
# scp /workspace/resnet18/work/resnet18_int8_fuse.cvimodel [email protected]:/mnt/tpu/tpu-sdk/

设置环境变量

在 Duo 开发板的终端中，进行环境变量的设置

# cd /mnt/tpu/tpu-sdk
# source ./envs_tpu_sdk.sh

进行图像分类测试

在 Duo 开发板上，对该图像进行分类

在 Duo 开发板的终端中，使用 resnet18_int8_fuse.cvimodel 模型进行图像分类:

./samples/bin/cvi_sample_classifier_fused_preprocess \
 ./resnet18_int8_fuse.cvimodel \
 ./samples/data/cat.jpg \
 ./samples/data/synset_words.txt

分类成功结果示例