基于 ShuffleNetV2 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

2. 在 Docker 中准备工作目录

创建并进入 shufflenet_v2 工作目录，注意是与 tpu-mlir 同级的目录

# mkdir shufflenet_v2 && cd shufflenet_v2

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

创建名为 export.py 文件，并在文件中写入如下代码：

import torch
from torchvision.models.shufflenetv2 import shufflenet_v2_x1_0
model = shufflenet_v2_x1_0(pretrained=True)
model.eval()
torch.jit.trace(model, torch.randn(1, 3, 640, 640)).save("./shufflenetv2_jit.pt")

运行 export.py 文件：

python export.py

运行成功效果示例

就会在当前目录下生成 shufflenetv2_jit.pt 文件，该文件即为所需的原始模型文件

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. ShuffleNetV2-PyTorch 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：

• PyTorch 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

PyTorch 模型转换成 MLIR

模型输入是图片，在转模型之前我们需要了解模型的预处理。如果模型用预处理后的 npz 文件做输入，则不需要考虑预处理。预处理过程用公式表达如下($x$代表输入): $$ y = (x-mean)\times scale $$

本例中的模型是 BGR 输入, mean 和 scale 分别为 103.94,116.78,123.68 和 0.017,0.017,0.017，模型转换命令如下:

model_transform.py \
 --model_name shufflenet_v2 \
 --model_def ../shufflenetv2_jit.pt \
 --input_shapes [[1,3,224,224]] \
 --resize_dims=256,256 \
 --mean 103.94,116.78,123.68 \
 --scale 0.017,0.017,0.017 \
 --pixel_format bgr \
 --test_input ../image/cat.jpg \
 --test_result shufflenet_v2_top_outputs.npz \
 --mlir shufflenet_v2.mlir

运行成功效果示例

转成 MLIR 模型后，会生成一个 shufflenet_v2.mlir 文件，该文件即为 MLIR 模型文件，还会生成一个 shufflenet_v2_in_f32.npz 文件和一个 shufflenet_v2_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

运行 run_calibration.py 得到校准表，输入数据的数量根据情况准备 100~1000 张左右。 这里用现有的 100 张来自 ILSVRC2012 的图片举例，执行 calibration 命令：

run_calibration.py shufflenet_v2.mlir \
 --dataset ../ILSVRC2012 \
 --input_num 100 \
 -o shufflenet_v2_cali_table

运行成功效果示例

运行完成后会生成名为 shufflenet_v2_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

用 model_deploy.py 脚本参数使用 asymmetric 进行非对称量化 将 MLIR 文件转成 INT8 非对称量化模型:

model_deploy.py \
 --mlir shufflenet_v2.mlir \
 --asymmetric \
 --calibration_table shufflenet_v2_cali_table \
 --fuse_preprocess \
 --customization_format BGR_PLANAR \
 --chip cv180x \
 --quantize INT8 \
 --test_input ../image/cat.jpg \
 --tolerance 0.96,0.72 \
 --model shufflenet_v2_cv1800_int8_asym.cvimodel

运行成功效果示例

编译完成后, 会生成名为 shufflenet_v2_cv1800_int8_asym.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

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

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/shufflenet_v2/work/shufflenet_v2_cv1800_int8_asym.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

进入 samples 目录

# cd samples

查看 cvimodel info

./bin/cvi_sample_model_info ../shufflenet_v2_cv1800_int8_asym.cvimodel

运行图像分类测试

./bin/cvi_sample_classifier_fused_preprocess \
 ../shufflenet_v2_cv1800_int8_asym.cvimodel \
 ./data/cat.jpg \
 ./data/synset_words.txt

分类成功结果示例