【2023 · CANN训练营第一季】 | 您所在的位置:网站首页 › 国内最大的教育机构排名前十 › 【2023 · CANN训练营第一季】 |
前言:
对待推理图片执行模型推理前,需要对图片进行预处理,以满足模型的输入要求。我们可以通过阅读模型训练代码,查看预处理的方法。在做基于Ascend CL模型推理时,通常使用的有OpenCV、AIPP、DVPP这三种方式,或者是它们的混合方式,本文比较了这三种方式的特点,并以Resnet50的pytorch模型为例,结合训练营提供的sample,说明了分别是如何实现预处理的。本文还介绍了AIPP做减均值/乘系数的参数是如何计算的。 一、查找模型训练时的预处理方式这一步对我这样的新手有些难度,在训练营可以直接问授课老师,或者是无所不晓的老班(帅高),亦或是无所不能的小助手😊 以Resnet50的pytorch模型为例,这里模型需要的数据预处理方法,再讲述两种查找方法。 Resnet50模型,需要对待推理图片的数据预处理是:缩放到224*224;以RGB的顺序存放;对像素/255.0,变换到[0.0,1.0]范围内;再按三个通道,分别做减均值,乘系数的运算,三个通道的均值是[0.485, 0.456, 0.406],对应系数分别是:[0.229, 0.224, 0.225]。 1、方法一:在昇腾官方的modelzoo去查。https://gitee.com/ascend/modelzoo 然后选择用于训练的模型PyTorch目录 在搜索框中,输入Resnet50,找到对应的模型文件 然后在modelarts / train_start.py里查到的处理代码如下: 2、方法二:到pytorch官网去查 https://pytorch.org/vision/stable/models/generated/torchvision.models.resnet50.html#torchvision.models.resnet50 确定好了输入图片需要做哪些预处理,接下来就需要选择合适的实现方式。Ascend CL常用的有三种:Opencv、AIPP、DVPP。这三种方式的特点如下表所示: 本次训练营,勤劳的小虎老师贴心的给大家准备了三种方式,供大家学习和掌握。代码在:https://gitee.com/ascend/samples/tree/master/inference/modelInference。分别是:纯open CV;CV+AIPP;DVPP+AIPP。如下表所示: Pytorch官方的计算方法: 1、将图像数据调整到[0.0, 1.0]之间,相当于(/255.0)——torchvision.transforms.ToTensor 2、将数据x = (x - mean(x))/std(x)——torchvision.transforms.Normalize 用数学公式表达: pixel_out_chx(i)=[pixel_in_chx(i)/255 - mean_i]/std_i =[pixel_in_ch(i) - mean_i*255]/(255*std_i) (公式一) 注:pixel_out_chx(i):计算输出值; pixel_in_chx(i):原始像素值,取值范围[0, 255]; mean_i:均值,3个颜色通道分别取:[0.485, 0.456, 0.406] std_i:系数,3个颜色通道分别取:[0.229, 0.224, 0.225] AIPP减均值乘系数的计算公式: pixel_out_chx(i)=[pixel_in_chx(i)-mean_chn_i-min_chn_i]*var_reci_chn (公式二) 注:pixel_out_chx(i):计算输出值; pixel_in_chx(i):原始像素值,取值范围[0, 255]; mean_chn_i表示每个通道的均值; min_chn_i表示每个通道的最小值; var_reci_chn表示每个通道方差的倒数 mean_chn_i和min_chn_i可以任意使用1个,另一个为0。令mean_chn_i=0, 公式一和公式二的像素经过计算后的值相等,所以公式的右边也相等,计算可得出: min_chn_i = mean_i*255 var_reci_chn = 1/(255*std_i) 三个通道的计算如下: |
CopyRight 2018-2019 实验室设备网 版权所有 |