Цель работы -- изучить программный интерфейс для вывода глубоких нейросетевых моделей, а также выполнить анализ и сравнение производительности вывода с использованием Apache TVM и некоторых других изученных фреймворков на процессорах архитектуры RISC-V.
Достижение указанной цели предполагает решение следующих задач:
Задача классификации изображений состоит в том, чтобы поставить в соответствие изображению класс объектов, содержащихся на этом изображении. Формализуем постановку задачи.
Исходное изображение, как правило, представляется набором интенсивностей пикселей
$$I=(I_{ij}^j)_{0 \le i < w, 0 \le j < h, 0 \le k < 3},$$где $w$ и $h$ -- ширина и высота изображения, $k$ -- количество каналов, а $I_{ij}^j$ -- значение интенсивности пикселя с пространственными координатами $(i, j)$ по каналу $k$.
Предполагается, что определено множество наблюдаемых классов объектов на изображении:
$$C=\{0, 1,...,𝑁−1\}.$$Множество идентификаторов классов однозначно соответствует множеству названий классов. Таким образом, задача классификации изображений состоит в том, чтобы каждому изображению поставить в соответствие класс, которому оно принадлежит:
$$\phi : I \overrightarrow{} C.$$Модель DenseNet-121 реализуется посредством формирования последовательности "плотных" блоков (dense block). Каждый "плотный" блок содержит набор сверточных слоев. Вход каждого следующего слоя -- конкатенация карт признаков, построенных на предыдущих слоях.
Общая структура моделей DenseNet имеет следующий вид:
Отметим, что слои между двумя смежными плотными блоками называются переходными слоями, они в отличие от плотных блоков изменяют пространственные размеры карты признаков.
Структура "плотных" блоков сети DenseNet-121:
Подробнее архитектура DenseNet-121 разобрана по ссылке.
Модель MobileNet-v3-large является представителем группы моделей MobileNetV3, основанных на сочетании дополнительных методов поиска и усовершенствованиях архитектуры.
Архитектура моделей MobileNetV3 содержит последовательность типовых блоков, которые сочетают идеи построения стандартного блока моделей MobileNetV2 и SE-блока. Структура блока приведена ниже (Dwise -- свертка, отделимая по глубине; NL -- нелинейная функция).
Архитектура сети MobileNet-v3-large включает 8 таких блоков. Общая структура модели приведена в виде таблицы, где атрибут Input означает размеры входной карты признаков, Operator -- тип оператора (bneck соответствует приведенному выше блоку), #out -- число каналов выходной карты признаков, SE -- наличие/отсутствие SE-блока, NL -- тип используемой нелинейности (HS = h-swish, RE = ReLU), s -- шаг (stride), а NBN соответствует отсутствию нормализации по пачке данных.
Далее в работе используются обученные модели, которые опубликованы в
OpenVINO - Open Model Zoo Repository (OMZ).
Для загрузки моделей можно использовать инструмент Model Downloader в составе
пакета openvino-dev
. Ниже приведены команды для установки данного пакета
и загрузки моделей DenseNet-121 и MobileNet-v3-large. DenseNet-121 загружается в формате
.saved_model
исходного фреймворка TensorFlow, который далее может быть сконвертирован
в интересующие форматы. MobileNet-v3-large загружается в формате *.h5
. Чтобы получить
модель в .saved_model
, достаточно запустить Model Converter в составе openvino-dev
.
conda create -n openvino_converter python==3.10
conda activate openvino_converter
pip install --upgrade pip
pip install openvino-dev
pip install openvino-dev[tensorflow2]
cd <work_dir>
omz_downloader --name densenet-121-tf
omz_downloader --name mobilenet-v3-large-1.0-224-tf
omz_converter --name mobilenet-v3-large-1.0-224-tf
conda deactivate
В результате выполнения указанной последовательности команд в директории <work_dir>
создается набор вложенных директорий:
public/densenet-121-tf
содержит файлы модели в формате *.savedmodel
(TensorFlow).public/mobilenet-v3-large-1.0-224-tf
содержит файлы модели в формате *.h5
и *.savedmodel
(TensorFlow).Выбранные тестовые модели хранятся в формате *.savedmodel
фреймворка TensorFlow.
Для запуска этих моделей средствами Apache TVM разработчики рекомендуют
сконвертировать их в формат ONNX с использованием пакета
tf2onnx
, после чего сконвертировать
в формат .json
+.params
и скомпилировать в исполняемый модуль .so
с помощью
внутренних средств Apache TVM, которые были рассмотрены в лекции 6. Для упрощения
этапа подготовки моделей предлагается воспользоваться обертками над конвертером
и компилятором моделей, реализованными в системе бенчмаркинга
Deep Learning Inference Benchmark (DLI).
Ниже приведена последовательность команд, которая предусматривает конвертацию
загруженных моделей с разными размерами входных пачек данных, а также их компиляцию
с разными значениями уровня оптимизации opt_level
.
conda create -n tvm_converter python==3.10
conda activate tvm_converter
pip install tensorflow
pip install onnxruntime
pip install -U tf2onnx
pip install apache-tvm
cd <work_dir>/public/densenet-121-tf
python -m tf2onnx.convert --saved-model densenet-121.savedmodel/ --output densenet-121-tf.onnx
python -m tf2onnx.convert --saved-model mobilenet_v3_large_224_1.0_float.savedmodel/ \
--output mobilenet_v3_large_224_1.0_float.onnx
cd <work_dir>
git clone https://github.com/itlab-vision/dl-benchmark
cd dl-benchmark/src/model_converters/tvm_converter
batch_sizes=(1 2 4 8 16)
opt_levels=(0 1 2 3)
dir_names=('densenet-121-tf' 'mobilenet-v3-large-1.0-224-tf')
model_names=('densenet-121-tf' 'mobilenet_v3_large_224_1.0_float')
target='llvm -mcpu=skylake-avx512'
src_framework='onnx'
width=224
height=224
nchannels=3
index=0
for model_name in ${model_names[@]}
do
dir_name=${dir_names[$index]}
for bs in ${batch_sizes[@]}
do
echo "Batch size: ${bs}"
for ol in ${opt_levels[@]}
do
echo " opt_level: ${ol}"
python tvm_converter.py --model_name ${model_name} \
--model ../../../../public/${dir_name}/${model_name}.onnx \
--source_framework ${src_framework} \
--input_shape ${bs} ${width} ${height} ${nchannels} \
--batch_size ${bs} \
--output_dir ../../../../public/${dir_name}/tvm/bs_${bs}
python tvm_compiler.py --mod ../../../../public/${dir_name}/tvm/bs_${bs}/${model_name}.json \
--params ../../../../public/${dir_name}/tvm/bs_${bs}/${model_name}.params \
--target "${target}" --opt_level ${ol} --lib_name ${model_name}_${ol}.so \
--output_dir ../../../../public/${dir_name}/tvm/bs_${bs}/
done
done
index=$(( index + 1 ))
done
conda deactivate
В результате выполнения приведенных команд в директории каждой модели
создается директория tvm
, содержащая набор вложенных директорий вида bs_${bs}
,
в которых находятся сконвертированные модели для разных размеров входной пачки
данных (${bs}
означает размер пачки). Также каждая директория bs_${bs}
содержит
набор исполняемых модулей ${model_name}_${ol}.so
, соответствующих скомпилированной
с разными уровнями оптимизации opt_level
модели (${model_name}
-- название
модели, ${ol}
-- уровень оптимизации opt_level
).
Примечание: для маломощных устройств, к каковым в настоящее время относится RISC-V,
модели можно компилировать на сторонних узлах, указав корректное значение целевой
платформы target
. При запуске на маломощных устройствах Apache TVM позволяет
устанавливать и использовать только runtime-модуль, с помощью которого можно загружать
и запускать скомпилированные модели.
Чтобы сконвертировать выбранную модель в формат TensorFlow Lite, можно воспользоваться конвертером из репозитория системы бенчмаркинга DLI. Далее используется tf2tflite-конвертер. Ниже приведена последовательность команд для установки необходимого окружения и запуска указанного конвертера моделей из формата библиотеки TensorFlow в TensorFlow Lite.
cd <work_dir>
conda create -n tflite_converter python==3.9
conda activate tflite_converter
pip install tensorflow==2.14.0
pip install tf-keras==2.15.0
pip install onnx-tf==1.10.0
pip install tensorflow-probability==0.22.0
git clone https://github.com/itlab-vision/dl-benchmark
cd dl-benchmark/src/model_converters/tf2tflite
python tflite_converter.py \
--model-path <work_dir>/public/densenet-121-tf/densenet-121.savedmodel \
--source-framework tf
python tflite_converter.py \
--model-path <work_dir>/public/mobilenet-v3-large-1.0-224-tf/mobilenet_v3_large_224_1.0_float.savedmodel/ \
--source-framework tf --input-shapes [1,224,224,3]
conda deactivate
Примечание: для запуска конвертера требуется версия пакета numpy
не ниже 1.23.5.
В результате успешного выполнения приведенной последовательности команд
в соответствующих директориях моделей сформируются файлы <model_name>.tflite
.
Для проведения экспериментов необходимо подготовить виртуальную среду
с установленными пакетами opencv
для загрузки и предварительной обработки
изображений, apache-tvm
для вывода с использованием Apache TVM, tensorflow
или tflite-runtime
для вывода средствами TensorFlow Lite. Ниже приведена
соответствующая последовательность команд.
conda create -n 02_practice_env python==3.10
conda activate 02_practice_env
conda install jupyter
conda install opencv
pip install apache-tvm
pip install tensorflow
pip install matplotlib
conda deactivate
Чтобы созданная виртуальная среда 02_practice_env
была доступна для последующего
запуска в ней вывода из Jupiter Notebook, достаточно в ней выполнить команду,
приведенную ниже.
conda activate 02_practice_env
python -m ipykernel install --user --name 02_practice_env \
--display-name "Python (02_practice_env)"
conda deactivate
Примечания:
Вложенная директория 02_Practice_envs
содержит перечень установленных в каждой
виртуальной среде пакетов с указанием их версий (результат выполнения команды
conda list
в каждой среде).
Установка пакетов может быть выполнена либо в терминале с помощью описанных выше команд, либо в текущем Jupiter Notebook с использованием следующей последовательности команд.
import sys
!conda install --yes --prefix {sys.prefix} opencv
!{sys.executable} -m pip install apache-tvm
!{sys.executable} -m pip install tensorflow
!{sys.executable} -m pip install matplotlib
# функция удаления заведомо некорректных времен
def delete_incorrect_time(times, min_correct_time=0.0):
valid_times = []
for i in range(len(times)):
if times[i] >= min_correct_time:
valid_times.append(times[i])
return valid_times
# функция удаления времен, выходящих для пределы трех стандартных
# среднеквадратических отклонений (удаление выбросов)
def three_sigma_rule(times):
average_time = np.mean(times)
sigm = np.std(times)
upper_bound = average_time + (3 * sigm)
lower_bound = average_time - (3 * sigm)
valid_times = []
for i in range(len(times)):
if lower_bound <= times[i] <= upper_bound:
valid_times.append(times[i])
return valid_times
# функция вычисления латентности - медианы набора корректных времен
def calculate_latency(times):
latency = np.median(times)
return latency
# функция вычисления метрики FPS - отношение произведения количества итераций
# и размера пачки данных к общему времени вывода
def calculate_fps(iter_num, batch_size, total_time):
return iter_num * batch_size / total_time
# общая функция вычисления показателей производительности
def calculate_performance_metrics(times, batch_size, min_correct_time=0.0):
valid_times = delete_incorrect_time(times, min_correct_time)
valid_times = three_sigma_rule(valid_times)
latency = calculate_latency(valid_times)
fps = calculate_fps(len(valid_times), batch_size, sum(valid_times))
return latency, fps
# функция загрузки меток классов
def load_labels_map(labels_file_name):
with open(labels_file_name, 'r') as f:
labels_map = [line.strip() for line in f]
return labels_map
# функция печати topk-классов и соответствующих достоверностей
def process_output(files, output_data, labels_file_name, topk=5):
labels_map = load_labels_map(labels_file_name)
for i in range(len(output_data)):
file_name = files[i]
probs_ = np.squeeze(output_data[i])
top_ind = np.argsort(probs_)[-topk:][::-1]
print(f'{file_name}')
for id_ in top_ind:
det_label = labels_map[id_] if labels_map else '#{0}'.format(id_)
print('\t{}\t{:.7f}\t{}'.format(id_, probs_[id_], det_label))
Для чтения и подготовки изображений используется функционал библиотеки компьютерного зрения OpenCV:
cv2.imread(...)
-- функция, обеспечивающая загрузку изображения.cv2.resize(...)
-- функция, обеспечивающая масштабирование изображения
в соответствии с размерами входного тензора нейронной сети.В качестве данных для проверки корректности программной реализации вывода
и последующего анализа производительности предлагается использовать набор
изображений из валидационной части набора данных
ImageNet,
которая является открытой. Она содержит 50 000 изображений естественного мира,
принадлежащих 1 000 классам. Далее принимается, что избранные изображения
находятся в директории ../data
.
Примечание: по указанной ссылке скачивается архив с полным набором данных
(~150 ГБ данных), чтобы загрузить только валидационную выборку можно воспользоваться
неофициальными ресурсами, которые выдаются поисковой системой (например, можно
использовать эту ссылку).
import cv2
import os
import numpy as np
from matplotlib import pyplot as plt
# размер пачки данных
batch_size = 2
# размеры входного тензора нейронной сети
input_shape = [batch_size, 224, 224, 3]
# директория, содержащая данные для проверки корректности и анализа
# производительности вывода (должна содержать не менее, чем batch_size
# изображений)
images_dir = '../data'
def prepare_input(images_dir, input_image_resolution, mean=(0, 0, 0),
scale=(1, 1, 1), bgr_to_rgb=False, show=False):
files = [f for f in os.listdir(images_dir) if os.path.isfile(os.path.join(images_dir, f))]
print(f'Number of available images: {len(files)}')
images = []
for file in files:
image = cv2.imread(os.path.join(images_dir, file), cv2.IMREAD_COLOR)
if bgr_to_rgb == True:
image = cv2.cvtColor(image, cv2.COLOR_BGR2RGB)
if show == True:
plt.imshow(image)
plt.show()
image = cv2.resize(image, input_image_resolution)
image = (image - mean) / scale
images.append(image)
return files, images
import tvm
from tvm.contrib import graph_executor
# Параметры предобработки изображений для DenseNet-121
mean = (123.68, 116.78, 103.94)
scale = (58.395, 57.12, 57.375)
bgr_to_rgb = True
# Параметры предобработки изображений для MobileNet-v3-large
# mean = (0, 0, 0)
# scale = (1, 1, 1)
# bgr_to_rgb = True
print(f'Input shape: {input_shape}')
files, images = prepare_input(images_dir, input_shape[1:3],
mean, scale, bgr_to_rgb)
# уровень оптимизации скомпилированной модели (для проверки корректности
# реализации вывода устанавливается равным 1)
opt_level = 1
# путь до скомпилированной модели
model_tvm = f'../public/densenet-121-tf/tvm/bs_{batch_size}/densenet-121-tf_{opt_level}.so'
#model_tvm = f'../public/mobilenet-v3-large-1.0-224-tf/tvm/bs_{batch_size}/mobilenet_v3_large_224_1.0_float_{opt_level}.so'
def load_model(model_tvm):
print(f'Load model: {model_tvm}')
tvm_lib = tvm.runtime.load_module(model_tvm)
# устройство для запуска
dev = tvm.cpu(0)
# создание исполняемого модуля для устройства
module = graph_executor.GraphModule(tvm_lib["default"](dev))
return module
module = load_model(model_tvm)
from time import time
# количество повторений вывода для заданной пачки данных
iter_num = 3
# файл меток классов
labels_file_name = '../labels/image_net_synset.txt'
# параметр метрики top-k для оценки качества работы модели
topk = 5
# название входа
input_name = 'input_1'
# функция многократного запуска вывода для фиксированного размера пачки
# и сбор результатов работы сети и времени работы каждого запроса на вывод
def inference_tvm(iter_num, batch_size, files, images, module, input_name):
results = dict()
times = []
istart = 0
ifinish = batch_size
for iteration in range(iter_num):
# установка входного тензора для вывода
module.set_input(input_name, np.array(images[istart:ifinish], dtype=np.float32))
# запуск вывода
ts = time()
module.run()
tf = time()
# сохранение результатов вывода
results[iteration] = (files[istart:ifinish], module.get_output(0).numpy())
times.append(tf - ts)
istart = ifinish
ifinish = (istart + batch_size) % (len(images) + 1)
if istart > ifinish:
istart = 0
ifinish = batch_size
return results, times
# функция запуска теста и вычисления показателей производительности вывода
def inference_tvm_perf(iter_num, batch_size, files, images, module, input_name):
results, times = inference_tvm(iter_num, batch_size, files, images,
module, input_name)
latency, fps = calculate_performance_metrics(times, batch_size)
return results, latency, fps
results, latency, fps = inference_tvm_perf(iter_num, batch_size, files, images,
module, input_name)
print('Performance metrics:')
print(f'\tLatency: {latency:.3f} s\n\tFPS: {fps:.2f} fps')
print('Results:')
for iteration in range(len(results)):
process_output(results[iteration][0], results[iteration][1], labels_file_name, topk)
try:
import tflite_runtime.interpreter as tflite
except ModuleNotFoundError:
import tensorflow.lite as tflite
# Параметры предобработки изображений для DenseNet-121
mean = (123.68, 116.78, 103.94)
scale = (58.395, 57.12, 57.375)
bgr_to_rgb = True
# Параметры предобработки изображений для MobileNet-v3-large
# mean = (0, 0, 0)
# scale = (1, 1, 1)
# bgr_to_rgb = True
print(f'Input shape: {input_shape}')
files, images = prepare_input(images_dir, input_shape[1:3],
mean, scale, bgr_to_rgb)
# путь до файла модели в формате TensorFlow Lite
model_tflite = '../public/densenet-121-tf/densenet-121.tflite'
# model_tflite = '../public/mobilenet-v3-large-1.0-224-tf/mobilenet_v3_large_224_1.0_float.tflite'
# функция печати информации о входах модели
def print_input_details(model):
input_details = model.get_input_details()
for idx in range(len(input_details)):
print(f'\tInput {idx}: {input_details[idx]}')
# загрузка модели
model_interpreter = tflite.Interpreter(model_path=model_tflite)
print('Input details for the model (before input reshape):')
print_input_details(model_interpreter)
# изменение размеров входного тензора (тестовые модели имеют только один
# вход - input_details[0])
input_details = model_interpreter.get_input_details()
model_interpreter.resize_tensor_input(input_details[0]['index'], input_shape)
print('Input details for the model (after input reshape):')
print_input_details(model_interpreter)
# выделение памяти для хранения тензоров
model_interpreter.allocate_tensors()
from time import time
# количество повторений вывода для заданной пачки данных
iter_num = 3
# файл меток классов
labels_file_name = '../labels/image_net_synset.txt'
# параметр метрики top-k для оценки качества работы модели
topk = 5
# функция многократного запуска вывода для фиксированного размера пачки
# и сбор результатов работы сети и времени работы каждого запроса на вывод
def inference_tflite(iter_num, batch_size, files, images, model):
results = dict()
times = []
istart = 0
ifinish = batch_size
for iteration in range(iter_num):
model.set_tensor(input_details[0]['index'], np.array(images[istart:ifinish], dtype=np.float32))
ts = time()
model.invoke()
tf = time()
output_details = model.get_output_details()
results[iteration] = (files[istart:ifinish],
model.get_tensor(output_details[0]['index']).copy())
times.append(tf - ts)
istart = ifinish
ifinish = (istart + batch_size) % (len(images) + 1)
if istart > ifinish:
istart = 0
ifinish = batch_size
return results, times
# функция запуска теста и вычисления показателей производительности вывода
def inference_tflite_perf(iter_num, batch_size, files, images, model_interpreter):
results, times = inference_tflite(iter_num, batch_size, files, images, model_interpreter)
latency, fps = calculate_performance_metrics(times, batch_size)
return results, latency, fps
results, latency, fps = inference_tflite_perf(iter_num, batch_size, files, images,
model_interpreter)
print('Performance metrics:')
print(f'\tLatency: {latency:.3f} s\n\tFPS: {fps:.2f} fps')
print('Results:')
for iteration in range(len(results)):
process_output(results[iteration][0], results[iteration][1], labels_file_name, topk)
Инструменты для сбора показателей качества. Для анализа качества решения задачи классификации с использованием моделей, загруженных из OpenVINO - Open Model Zoo Repository (OMZ), а также некоторых других моделей, которые обучены средствами поддерживаемых фреймворков, можно воспользоваться инструментом Accuracy Checker в составе репозитория OMZ. Указанный инструмент позволяет запускать модели в разных форматах с использованием разных фреймворков глубокого обучения на широко известных наборах данных и собирать общепринятные показатели качества решения классических задач компьютерного зрения (computer vision), обработки естественного языка (natural language processing) и аудиоанализа.
Отметим, что запуск моделей в формате TensorFlow Lite поддерживается в рамках основного репозитория OMZ, в то время как для моделей в формате TVM имеется сторонний форк репозитория OMZ.
Для упрощения массовых запусков инструмента Accuracy Checker для набора моделей предлагается использовать обертку, разработанную в рамках проекта Deep Learning Inference Benchmark (DLI), которая доступна по ссылке.
Набор данных. Измерение качества предполагается выполнять на валидационной части набора данных ImageNet, которая является открытой. Она содержит 50 000 изображений естественного мира, принадлежащих 1 000 классам. Примечание: по указанной ссылке скачивается архив с полным набором данных (~150 ГБ данных), чтобы загрузить только валидационную выборку можно воспользоваться неофициальными ресурсами, которые выдаются поисковой системой (например, можно использовать эту ссылку).
Показатели качества. Для анализа качества решения задачи классификации изображений используются общепринятые метрики точности top-1 и top-5. Точность top-k (top-k accuracy) -- отношение числа правильно проклассифицированных изображений к общему их количеству. На выходе классификационной нейронной сети имеется вектор достоверности принадлежности изображения каждому из допустимых классов. В случае top-1 изображение считается проклассифицированным правильно, если искомому классу соответствует максимальное значение достоверности, а в случае top-5 -- если искомому классу соответствует одно из пяти наибольших значений достоверностей.
Последовательность подготовки окружения и сбора показателей качества. Чтобы собрать значения показателей качества классификации с использованием описанных инструментов, необходимо выполнить следующую последовательность действий.
Загрузить форк репозитория OMZ и установить инструмент Accuracy Checker для валидации моделей Apache TVM.
conda create -n accuracy_checker_tvm python==3.10
conda activate accuracy_checker_tvm
cd <work_dir>
git clone https://github.com/itlab-vision/open_model_zoo_tvm
cd ./open_model_zoo_tvm/tools/accuracy_checker
python3 -m pip install .
python3 -m pip install .[extra]
pip install Pillow==9.5.0
pip install apache-tvm
pip install "numpy<2"
conda deactivate
После установки выполнение команды accuracy_check -h
должно приводить
к выводу справочной информации о параметрах запуска инструмента.
Загрузить репозиторий OMZ и установить инструмент Accuracy Checker для валидации моделей TensorFlow Lite. Ниже приведена соответствующая последовательность команд. Подробнее установка описана здесь.
conda create -n accuracy_checker_tflite python==3.10
conda activate accuracy_checker_tflite
cd <work_dir>
git clone https://github.com/openvinotoolkit/open_model_zoo
cd ./open_model_zoo/tools/accuracy_checker
python3 -m pip install .
python3 -m pip install .[extra]
pip install tensorflow
conda deactivate
После установки выполнение команды accuracy_check -h
также должно приводить
к выводу справочной информации о параметрах запуска инструмента.
Загрузить репозиторий DLI, содержащий обертку компонента Accuracy Checker, которая далее используется для упрощения запуска Accuracy Checker при наличии набора моделей.
cd <work_dir>
git clone https://github.com/itlab-vision/dl-benchmark
Примечание: данный шаг можно пропустить, если система DLI была использована для конвертации модели из формата TensorFlow в TensorFlow Lite.
Загрузить валидационную выборку набора данных ImageNet, состоящую
из 50 000 изображений, для которой опубликованы результаты качества классификации.
Полный набор данных ImageNet доступен по
ссылке.
Для последующего запуска Accuracy Checker необходима директория с изображениями
ILSVRC2012_img_val
и файл val.txt
, содержащий разметку этих изображений
в формате <image_name> <class_id>
, где <image_name>
-- название файла,
<class_id>
-- идентификатор категории, которой принадлежит изображение.
Далее для определенности будем считать, что они находятся в директории
с названием <dataset_dir>
.
Сформировать конфигурационный файл accuracy_checker_config_*.xml
(*
принимает
значение tvm
или tflite
) для анализа качества работы модели на загруженном
наборе данных.
Apache TVM. Шаблонная структура конфигурационного файла для вывода
средствами Apache TVM приведена ниже (файл accuracy_checker_config_template_tvm.xml
дублирует эту структуру). Для использования этой конфигурации достаточно
вставить корректное значение пути work_dir
. Тег <Directory>
должен содержать
путь до файлов модели в формате Apache TVM, а тег <Config>
-- полный путь
до конфигурационного файла модели *.yml
в загруженном репозитории OMZ (файлы
densenet-121-tvm.yml
и mobilenet-v3-large-1.0-224-tvm.yml
, содержащие
корректный набор параметров, можно найти в директории с файлами конфигурации
02_Practice_configs
к данной практической работе). Примечание: указанные
в xml-файле пути должны быть абсолютными.
<?xml version="1.0" encoding="utf-8"?>
<Tests>
<Test>
<Model>
<Task>classification</Task>
<Name>densenet-121-tf</Name>
<Precision>FP32</Precision>
<SourceFramework>TensorFlow</SourceFramework>
<Directory>work_dir/public/densenet-121-tf/tvm/bs_1</Directory>
</Model>
<Parameters>
<InferenceFramework>TVM</InferenceFramework>
<Device>CPU</Device>
<Config>work_dir/open_model_zoo_tvm/tools/accuracy_checker/configs/densenet-121-tvm.yml</Config>
</Parameters>
</Test>
<Test>
<Model>
<Task>classification</Task>
<Name>mobilenet-v3-large-1.0-224-tf</Name>
<Precision>FP32</Precision>
<SourceFramework>TensorFlow</SourceFramework>
<Directory>work_dir/public/mobilenet-v3-large-1.0-224-tf/tvm/bs_1</Directory>
</Model>
<Parameters>
<InferenceFramework>TVM</InferenceFramework>
<Device>CPU</Device>
<Config>work_dir/open_model_zoo_tvm/tools/accuracy_checker/configs/mobilenet-v3-large-1.0-224-tvm.yml</Config>
</Parameters>
</Test>
</Tests>
TensorFlow Lite. Шаблонная структура конфигурационного файла для вывода
средствами TensorFlow Lite приведена ниже (файл accuracy_checker_config_template_tflite.xml
дублирует эту структуру). Она отличается от ранее показанной только значениями
тегов <Directory>
, <InferenceFramework>
и <Config>
. Тег <Directory>
содержит путь
до файла модели в формате .tflite, куда была сконвертирована исходная модель,
<InferenceFramework>
-- название фреймворка для вывода, <Config>
-- полное
название файла с описанием конфигурации модели *.yml
(корректные файлы также можно
найти в директории 02_Practice_configs
).
<?xml version="1.0" encoding="utf-8"?>
<Tests>
<Test>
<Model>
<Task>classification</Task>
<Name>densenet-121-tf</Name>
<Precision>FP32</Precision>
<SourceFramework>TensorFlow</SourceFramework>
<Directory>work_dir/public/densenet-121-tf/</Directory>
</Model>
<Parameters>
<InferenceFramework>TensorFlow_Lite</InferenceFramework>
<Device>CPU</Device>
<Config>work_dir/open_model_zoo/tools/accuracy_checker/configs/densenet-121-tflite.yml</Config>
</Parameters>
</Test>
<Test>
<Model>
<Task>classification</Task>
<Name>mobilenet-v3-large-1.0-224-tf</Name>
<Precision>FP32</Precision>
<SourceFramework>TensorFlow</SourceFramework>
<Directory>work_dir/public/mobilenet-v3-large-1.0-224-tf/</Directory>
</Model>
<Parameters>
<InferenceFramework>TensorFlow_Lite</InferenceFramework>
<Device>CPU</Device>
<Config>work_dir/open_model_zoo/tools/accuracy_checker/configs/mobilenet-v3-large-1.0-224-tflite.yml</Config>
</Parameters>
</Test>
</Tests>
Примечание: сбор показателей качества для двух моделей можно выполнить за один запуск обертки Accuracy Checker.
Перейти в директорию с оберткой компонента Accuracy Checker и запустить ее с использованием командной строки, приведенной ниже. Передаваемые параметры:
-r
- выходной файл с результатами точности классификации,-с
- сформированный конфигурационный файл,-s
- директория, содержащая загруженный набор данных,-d
- файл с определением параметров наборов данных,--executor_type
- окружение для исполнения (host_machine
означает прямой
запуск в окружении, установленном на устройстве, docker
- запуск в докер-
контейнере).Подробнее параметры командной строки описаны по ссылке.
conda activate <accuracy_checker_env>
cd <work_dir>/dl-benchmark/src/accuracy_checker
python3 accuracy_checker.py \
-r <work_dir>/accuracy_results.csv \
-c <work_dir>/accuracy_checker_config.xml \
-s <dataset_dir> \
-d <work_dir>/open_model_zoo/tools/accuracy_checker/dataset_definitions.yml \
--executor_type host_machine
conda deactivate
Примечание: в зависимости от фреймворка необходимо команду выполнять
в виртуальной среде accuracy_checker_tvm
или accuracy_checker_tflite
.
Конкретное название среды необходимо подставить в качестве значения
параметра <accuracy_checker_env>
.
Отметим, что в стандартном выводе в строках accuracy@top1
и accuracy@top5
приведены посчитанные значения метрик top-1 и top-5 в процентах, которые округлены
до второго знака после запятой. Также в этих строках указаны абсолютная
и относительная разница по сравнению с референсными значения. Более точные
значения логируются в промежуточный файл results.csv
в директории
<work_dir>/dl-benchmark/src/accuracy_checker
.
Наряду с этим, в результате выполнения команды будет создан файл
<work_dir>/accuracy_results.csv
с результирующими показателями качества
классификации (точность -- 2 знака после запятой).
Примеры всех генерируемых файлов приложены к настоящей практической работе.
Cравнить полученные в файле <work_dir>/accuracy_results.csv
результаты точности
классификации и значения метрик top-1 и top-5 с опубликованными
в работах авторов модели. Референсные значения точностей можно найти в файле
<work_dir>/open_model_zoo/tools/accuracy_checker/configs/<model_name>.yml
.
Для визуализации результатов можно воспользоваться построением гистограмм
средствами пакета matplotlib
.
import matplotlib.pyplot as plt
import numpy as np
def draw_hist_topK(ref_top1, ref_top5, tvm_computed_top1, tvm_computed_top5,
tflite_computed_top1, tflite_computed_top5, model_name):
metrics = ("top-1", "top-5")
values = {
'Computed values (Apache TVM)': (tvm_computed_top1, tvm_computed_top5),
'Computed values (TensorFlow Lite)': (tflite_computed_top1, tflite_computed_top5),
'Reference values': (ref_top1, ref_top5),
}
# положения меток
x = np.arange(len(metrics))
# ширина бинов
width = 0.3
multiplier = 0
fig, ax = plt.subplots(layout='constrained')
fig.set_size_inches(5, 2.2)
yax = ax.axes.get_yaxis()
yax = yax.set_visible(False)
for attribute, measurement in values.items():
offset = width * multiplier
rects = ax.bar(x + offset, measurement, width, label=attribute)
ax.bar_label(rects, padding=2)
multiplier += 1
ax.set_title(f'top-1 and top-5 accuracies for {model_name}, %')
ax.set_xticks(x + width, metrics)
ax.legend(loc='upper left', ncols=1)
ax.set_ylim(0, 210)
plt.show()
# Результаты определения качества классификации для DenseNet-121
model_name = 'DenseNet-121'
# референсные значения
ref_top1 = 74.46
ref_top5 = 92.13
# подсчитанные значения
tvm_computed_top1 = 74.47
tvm_computed_top5 = 92.13
tflite_computed_top1 = 74.47
tflite_computed_top5 = 92.13
# отображение гистограммы
draw_hist_topK(ref_top1, ref_top5, tvm_computed_top1, tvm_computed_top5,
tflite_computed_top1, tflite_computed_top5, model_name)
# Результаты определения качества классификации для DenseNet-121
model_name = 'MobileNet-v3-large'
# референсные значения
ref_top1 = 75.30
ref_top5 = 92.62
# подсчитанные значения
tvm_computed_top1 = 75.30
tvm_computed_top5 = 92.62
tflite_computed_top1 = 75.30
tflite_computed_top5 = 92.62
# отображение гистограммы
draw_hist_topK(ref_top1, ref_top5, tvm_computed_top1, tvm_computed_top5,
tflite_computed_top1, tflite_computed_top5, model_name)
Из построенных гистограмм можно видеть, что исходная модель, сконвертированная в форматы Apache TVM и TensorFlow Lite, демонстрирует одинаковые показатели точности top-1 и top-5. Полученные результаты соответствуют референсным значениям.
import os
import platform
import subprocess
import re
from collections import OrderedDict
from sys import version as python_formatted_version
def get_cpu_name():
cpuname = 'Undefined'
if platform.system() == 'Windows':
return platform.processor()
elif platform.system() == 'Linux':
command = 'cat /proc/cpuinfo'
all_info = subprocess.check_output(command, shell=True).decode().strip()
for line in all_info.split('\n'):
if 'model name' in line:
return re.sub( ".*model name.*: ", "", line, 1)
return cpuname.strip()
def get_ram_size(ostype):
ramsize = 'Undefined'
if ostype == 'Windows':
command = ['wmic', 'OS', 'get', 'TotalVisibleMemorySize', '/Value']
p = subprocess.Popen(command, universal_newlines=True, shell=True,
stdout=subprocess.PIPE, stderr=subprocess.PIPE)
text = p.stdout.read()
p.wait()
text = text.split('=')
ramsize = text[1].strip() + ' KB'
elif ostype == 'Linux':
command = ['cat', '/proc/meminfo']
all_info = subprocess.check_output(command).strip().decode()
for line in all_info.split('\n'):
if 'MemTotal' in line:
return line.split(':')[1].strip()
return ramsize
def get_system_characteristics():
ostype = platform.system()
characteristics = OrderedDict()
characteristics.update({'CPU': get_cpu_name()})
characteristics.update({'Number of CPUs': os.cpu_count()})
characteristics.update({'CPU family': platform.processor()})
characteristics.update({'RAM size': get_ram_size(ostype)})
characteristics.update({'OS family': platform.system()})
characteristics.update({'OS version': platform.platform()})
characteristics.update({'Python version': python_formatted_version})
return characteristics
hardware_dict = get_system_characteristics()
for key, value in hardware_dict.items():
print(f'{key:16}: {value}')
# размеры входных пачек данных
batch_sizes = [1, 2, 4, 8, 16]
# количество итераций для определения показателей латентности и FPS
iter_num = 50
# количество потоков для вывода средствами TensorFlow Lite
num_threads = [1, 2, 4, 8]
# уровни оптимизации моделей Apache TVM
opt_levels = [0, 1, 2, 3]
# Функция перебора параметров запуска вывода средствами Apache TVM
def tvm_perf_tests(model_tvm):
tvm_latency = dict()
tvm_fps = dict()
# перебор по уровню оптимизации модели
for opt_level in opt_levels:
tvm_bs_latency = dict()
tvm_bs_fps = dict()
# перебор по размерам пачки входных данных
for batch_size in batch_sizes:
# загрузка модели с определенными размерами входного тензора
# и скомпилированной с заданным уровнем оптимизации
module = load_model(model_tvm.format(batch_size=batch_size, opt_level=opt_level))
# запуск многократного вывода для заданного набора параметров
_, latency, fps = inference_tvm_perf(iter_num, batch_size, files, images,
module, input_name)
tvm_bs_latency[batch_size] = latency
tvm_bs_fps[batch_size] = fps
# вывод показателей производительности
print(f'\tbatch_size = {batch_size:2}: latency = {latency:.3f} s, '
f'FPS = {fps:.3f} frames/s')
tvm_latency[opt_level] = tvm_bs_latency
tvm_fps[opt_level] = tvm_bs_fps
return tvm_latency, tvm_fps
print('Searching parameters for DenseNet-121...')
# Параметры предобработки изображения для DenseNet-121
mean = (123.68, 116.78, 103.94)
scale = (58.395, 57.12, 57.375)
bgr_to_rgb = True
# Загрузка и предварительная обработка изображений
files, images = prepare_input(images_dir, input_shape[1:3],
mean, scale, bgr_to_rgb)
# Запуск экспериментов для DenseNet-121
model_tvm = '../public/densenet-121-tf/tvm/bs_{batch_size}/densenet-121-tf_{opt_level}.so'
densenet121_tvm_latency, densenet121_tvm_fps = tvm_perf_tests(model_tvm)
print('Searching parameters for MobileNet-v3-large...')
# Параметры предобработки изображения для MobileNet-v3-large
mean = (0, 0, 0)
scale = (1, 1, 1)
bgr_to_rgb = True
# Загрузка и предварительная обработка изображений
files, images = prepare_input(images_dir, input_shape[1:3],
mean, scale, bgr_to_rgb)
# Запуск экспериментов для MobileNet-v3-large
model_tvm = '../public/mobilenet-v3-large-1.0-224-tf/tvm/bs_{batch_size}/mobilenet_v3_large_224_1.0_float_{opt_level}.so'
mnetv3large_tvm_latency, mnetv3large_tvm_fps = tvm_perf_tests(model_tvm)
Для наглядности полученных результатов построим на одной диаграмме графики зависимости FPS от размера пачки входных данных для каждого фиксированного уровня оптимизации модели.
colors = ['teal', 'skyblue', 'steelblue', 'maroon']
markers = ['o', 'd', 's', 'v']
linestyles = ['solid', 'dotted', 'dashed', 'dashdot']
labels = ['opt_level=0', 'opt_level=1', 'opt_level=2', 'opt_level=3']
def draw_tvm_fps(tvm_results, title):
fig, axs = plt.subplots()
plt.grid(True)
line_idx = 0
for opt_level, bs_results in tvm_results.items():
x = list(bs_results.keys())
y = list(bs_results.values())
axs.plot(x, y, marker=markers[line_idx], color=colors[line_idx],
linestyle=linestyles[line_idx], label=labels[line_idx])
line_idx += 1
for i, j in zip(x, y):
if i == 1:
axs.annotate(f'{j:.2f}', xy=(i-0.1,j), ha='right', va='center', fontsize=10)
elif i != 2:
axs.annotate(f'{j:.2f}', xy=(i,j+0.01), ha='right', va='bottom', fontsize=10)
axs.set_xlabel('Batch size', fontsize=12, fontweight="bold")
axs.set_ylabel('FPS', fontsize=12, fontweight="bold")
axs.set_title(title, fontsize=12, fontweight="bold")
axs.set_xlim(-1, 17)
plt.legend(loc='upper right', ncols=1, fontsize=11)
plt.show()
draw_tvm_fps(densenet121_tvm_fps, 'DenseNet-121, Apache TVM')
draw_tvm_fps(mnetv3large_tvm_fps, 'MobileNet-v3-large, Apache TVM')
Выводы из построенных графиков: лучшие показатели производительности вывода
независимо от модели получены с использованием оптимизированной модели с opt_level=3
.
Для TensorFlow Lite необходимо сравнивать производительность вывода при разных размерах входной пачки данных и разном количестве потоков, исполняемых параллельно, и подбирать оптимальные значения параметров.
# функция запуска тестов производительности для разных размеров входных пачек данных
# при разном количестве потоков
def tflite_perf_tests(model_tflite, batch_sizes, num_threads, iter_num, files, images):
# словарь "количество потоков" - словарь "размер пачки" - "латентность"
tflite_latency = dict()
# словарь "количество потоков" - словарь "размер пачки" - "FPS"
tflite_fps = dict()
# цикл по количеству потоков
for nthreads in num_threads:
print(f'Number of threads: {nthreads}')
# словарь "размер пачки" - "латентность"
tflite_nt_latency = dict()
# словарь "размер пачки" - "FPS"
tflite_nt_fps = dict()
# цикл по размерам пачек данных
for batch_size in batch_sizes:
input_shape = [batch_size, 224, 224, 3]
# подготовка модели (загрузка и масштабирование входа)
model_interpreter = tflite.Interpreter(model_path=model_tflite,
num_threads=nthreads)
input_details = model_interpreter.get_input_details()
model_interpreter.resize_tensor_input(input_details[0]['index'], input_shape)
model_interpreter.allocate_tensors()
# запуск теста производительности для фиксированного размера пачки данных
_, latency, fps = inference_tflite_perf(iter_num, batch_size, files, images,
model_interpreter)
# сохранение результатов производительности в словари
tflite_nt_latency[batch_size] = latency
tflite_nt_fps[batch_size] = fps
# вывод показателей производительности
print(f'\tbatch_size = {batch_size:2}: latency = {latency:.3f} s, '
f'FPS = {fps:.3f} frames/s')
tflite_latency[nthreads] = tflite_nt_latency
tflite_fps[nthreads] = tflite_nt_fps
return tflite_latency, tflite_fps
print('Searching parameters for DenseNet-121...')
# Параметры предобработки изображения для DenseNet-121
mean = (123.68, 116.78, 103.94)
scale = (58.395, 57.12, 57.375)
bgr_to_rgb = True
# Загрузка и предварительная обработка изображений
model_tflite = '../public/densenet-121-tf/densenet-121.tflite'
files, images = prepare_input(images_dir, input_shape[1:3],
mean, scale, bgr_to_rgb)
# Запуск экспериментов для DenseNet-121
densenet121_tflite_latency, densenet121_tflite_fps = tflite_perf_tests(
model_tflite, batch_sizes, num_threads,iter_num, files, images)
print('Searching parameters for MobileNet-v3-large...')
# Параметры предобработки изображения для MobileNet-v3-large
mean = (0, 0, 0)
scale = (1, 1, 1)
bgr_to_rgb = True
# Загрузка и предварительная обработка изображений
model_tflite = '../public/mobilenet-v3-large-1.0-224-tf/mobilenet_v3_large_224_1.0_float.tflite'
files, images = prepare_input(images_dir, input_shape[1:3],
mean, scale, bgr_to_rgb)
# Запуск экспериментов для MobileNet-v3-large
mnetv3large_tflite_latency, mnetv3large_tflite_fps = tflite_perf_tests(
model_tflite, batch_sizes, num_threads, iter_num, files, images)
Для наглядности полученных результатов построим на одной диаграмме графики зависимости FPS от размера входной пачки данных при разных значениях числа потоков.
colors = ['teal', 'skyblue', 'steelblue', 'maroon']
markers = ['o', 'd', 's', 'v']
linestyles = ['solid', 'dotted', 'dashed', 'dashdot']
labels = ['nthreads=1', 'nthreads=2', 'nthreads=4', 'nthreads=8']
def draw_tflite_fps(tflite_fps, title):
fig, axs = plt.subplots()
plt.grid(True)
line_idx = 0
ymax = 0
for nthreads, bs_fps in tflite_fps.items():
x = list(bs_fps.keys())
y = list(bs_fps.values())
ymax = max(ymax, max(y))
axs.plot(x, y, marker=markers[line_idx], color=colors[line_idx],
linestyle=linestyles[line_idx], label=labels[line_idx])
line_idx += 1
for i, j in zip(x, y):
if i != 1:
if nthreads == 1:
axs.annotate(f'{j:.2f}', xy=(i,j-0.2), ha='left', va='top', fontsize=10)
else:
axs.annotate(f'{j:.2f}', xy=(i,j+0.2), ha='left', va='bottom', fontsize=10)
axs.set_xlabel('Batch size', fontsize=12, fontweight="bold")
axs.set_ylabel('FPS', fontsize=12, fontweight="bold")
axs.set_title(title, fontsize=12, fontweight="bold")
axs.set_xlim(0, 18)
step = int(ymax) / 10
if step >= 10:
ymax += 150
else:
ymax += 20
axs.set_ylim(-step / 2, int(ymax))
plt.legend(loc='upper left', ncols=2, fontsize=11)
plt.show()
draw_tflite_fps(densenet121_tflite_fps, 'DenseNet-121, TensorFlow Lite')
draw_tflite_fps(mnetv3large_tflite_fps, 'MobileNet-v3-large, TensorFlow Lite')
Вывода из построенных графиков: лучшие показатели производительности для обеих рассматриваемых моделей получены при числе потоков, равном 4.
def draw_best_lines(best_tvm_fps, tvm_params, best_tflite_fps, tflite_params, title):
fig, axs = plt.subplots()
plt.grid(True)
axs.plot(best_tvm_fps.keys(), best_tvm_fps.values(), marker='o', color='teal',
linestyle='solid', label=f'Apache TVM ({tvm_params})')
for i, j in zip(best_tvm_fps.keys(), best_tvm_fps.values()):
axs.annotate(f'{j:.2f}', xy=(i,j+1), ha='center', va='bottom', fontsize=10)
ymax_id = max(best_tvm_fps, key=best_tvm_fps.get)
ymax = best_tvm_fps[ymax_id]
axs.plot(best_tflite_fps.keys(), best_tflite_fps.values(), marker='d', color='maroon',
linestyle='dashed', label=f'TensorFlow Lite ({tflite_params})')
for i, j in zip(best_tflite_fps.keys(), best_tflite_fps.values()):
axs.annotate(f'{j:.2f}', xy=(i,j+1), ha='center', va='bottom', fontsize=10)
ymax_id = max(best_tflite_fps, key=best_tflite_fps.get)
ymax = max(ymax, best_tflite_fps[ymax_id])
axs.set_xlabel('Batch size', fontsize=12, fontweight="bold")
axs.set_ylabel('FPS', fontsize=12, fontweight="bold")
axs.set_title(title, fontsize=12, fontweight="bold")
axs.set_xlim(0, 18)
step = int(ymax) / 10
if step >= 10:
ymax += 150
else:
ymax += 15
axs.set_ylim(0, ymax+step)
plt.legend(loc='upper left', ncols=1, fontsize=11)
plt.show()
def calc_average_diff(tvm_fps, tflite_fps, model_name):
diff = 0
for batch_size in batch_sizes:
diff += tflite_fps[batch_size] / tvm_fps[batch_size]
print(f'Average relative difference for {model_name}: {diff / len(batch_sizes):.2f}')
# Лучшие показатели FPS для модели DenseNet-121
# лучшая кривая зависимости FPS от размера пачки данных при opt_level=3
best_tvm_fps = densenet121_tvm_fps[3]
# лучшая кривая зависимости FPS от размера пачки данных при nthreads=4
best_tflite_fps = densenet121_tflite_fps[4]
# отображение лучших результатов
draw_best_lines(best_tvm_fps, 'opt_level=3', best_tflite_fps, 'nthreads=4', 'DenseNet-121')
calc_average_diff(best_tvm_fps, best_tflite_fps, 'DenseNet-121')
# Лучшие показатели FPS для модели MobileNet-v3-large
# лучшая кривая зависимости FPS от размера пачки данных при opt_level=3
best_tvm_fps = mnetv3large_tvm_fps[3]
# лучшая кривая зависимости FPS от размера пачки данных при nthreads=4
best_tflite_fps = mnetv3large_tflite_fps[4]
# отображение лучших результатов
draw_best_lines(best_tvm_fps, 'opt_level=3', best_tflite_fps, 'nthreads=4', 'MobileNet-v3-large')
calc_average_diff(best_tvm_fps, best_tflite_fps, 'MobileNet-v3-large')
Выводы: Apache TVM отстает от TensorFlow Lite при выводе модели DenseNet-121 в среднем в 1.02 раза (небольшое отставание наблюдается с увеличением размера пачки данных), при выводе MobileNet-v3-large -- в среднем в 1.47 раза.