Цель работы -- освоить методику анализа производительности вывода глубоких нейросетевых моделей с использованием некоторого набора фреймворков на примере решения задачи классификации изображений.
Достижение указанной цели предполагает решение следующих задач:
Выполнение перечисленных задач демонстрируется на примере глубокой модели DenseNet-121, фреймворков OpenVINO toolkit и TensorFlow Lite, программный интерфейс которых изучен в ходе лекции 3 "Обзор инструментов глубокого обучения" настоящего курса. Процедура сбора и анализа результатов качества и производительности вывода моделей демонстрируется на примере x86-архитектуры.
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.
Далее в работе используется обученная модель DenseNet-121, опубликованная в
OpenVINO - Open Model Zoo Repository (OMZ).
Для загрузки модели можно использовать инструмент Model Downloader в составе
пакета openvino-dev
. Ниже приведены команды для установки данного пакета
и загрузки модели DenseNet-121 в формате фреймворка TensorFlow.
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
conda deactivate
В результате выполнения указанной последовательности команд в директории <work_dir>
создается вложенная директория public/densenet-121-tf
, в которой находится
файл модели densenet-121.savedmodel
в формате исходного фреймворка TensorFlow.
Чтобы сконвертировать модель из формата TensorFlow во внутреннее представление
OpenVINO toolkit, достаточно воспользоваться инструментом Model Converter
в составе пакета openvino-dev
так, как показано ниже. Отметим, что при выполнении
команды конвертации директория <work_dir>
должна быть установлена в качестве
рабочей.
cd <work_dir>
conda activate openvino_converter
omz_converter --name densenet-121-tf
conda deactivate
В результате выполнения приведенной последовательности команд
в <work_dir>/public/densenet-121-tf
создаются две вложенные директории.
FP32
. Cодержит модель, сконвертированную во внутреннее представление
OpenVINO toolkit с форматом весов fp32.FP16
. Cодержит модель, сконвертированную во внутреннее представление
OpenVINO toolkit с форматом весов fp16.Чтобы сконвертировать выбранную модель в формат какого-либо другого фреймворка, можно воспользоваться конвертерами моделей из репозитория системы бенчмаркинга Deep Learning Inference Benchmark. 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
conda deactivate
Примечание: для запуска конвертера требуется версия пакета numpy
не ниже 1.23.5.
В результате успешного выполнения приведенной последовательности команд в директории
<work_dir>/public/densenet-121-tf
сформируется файл densenet-121.tflite
.
Для проведения экспериментов необходимо подготовить виртуальную среду
с установленными пакетами opencv
для загрузки и предварительной обработки
изображений, openvino-dev
для вывода с использованием OpenVINO toolkit
(далее используется Sync API), tensorflow
или tflite-runtime
для вывода средствами
TensorFlow Lite. Ниже приведена соответствующая последовательность команд.
conda create -n 01_practice_env python==3.9
conda activate 01_practice_env
conda install jupyter
conda install opencv
pip install openvino-dev
pip install tflite-runtime
pip install matplotlib
conda deactivate
Чтобы созданная виртуальная среда 01_practice_env
была доступна для последующего
запуска в ней вывода из Jupiter Notebook, достаточно выполнить команду, приведенную
ниже.
python -m ipykernel install --user --name 01_practice_env \
--display-name "Python (01_practice_env)"
Примечание:
Вложенная директория 01_Practice_envs
содержит перечень установленных в каждой
виртуальной среде пакетов с указанием их версий (результат выполнения команды
conda list
в каждой среде): 01_practice_env.list
соответствует среде
с установленным пакетом tflite-runtime
, 01_practice_env_tf.list
- с пакетом
tensorflow
.
Импорт пакета tflite
может привести к ошибке следующего вида:
ImportError: /lib64/libm.so.6: version
GLIBC_2.27' not found`.
Существует два варианта решения указанной проблемы.
tflite-runtime
. Перечень доступных версий пакета
можно найти здесь.
Использование данного решения может отрицательно сказаться на производительности
вывода.Обновление библиотеки glibc
, установленной в системе. Для этого необходимо
выполнить следующие команды.
sudo apt-get update
sudo apt-get install libc6
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 openvino-dev
!{sys.executable} -m pip install tflite-runtime
!{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
.
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 openvino as ov
print(f'Input shape {input_shape}')
files, images = prepare_input(images_dir, input_shape[1:3])
device = 'CPU'
# Функция создания и настройки окружения
def create_core(device):
# создание объекта окружения
core = ov.Core()
# проверка, что заданное устройство входит в число доступных устройств для запуска
available_devices = core.available_devices
if device not in available_devices:
print(f'Unsupported device \'{device}\'. Available devices: {available_devices}')
print(f'{core}')
return core
core = create_core(device)
# пути до файлов модели DenseNet-121
model_xml = '../public/densenet-121-tf/FP32/densenet-121-tf.xml'
model_bin = '../public/densenet-121-tf/FP32/densenet-121-tf.bin'
def prepare_model(core, model_xml, model_bin, input_shape):
# чтение модели
model = core.read_model(model=model_xml, weights=model_bin)
# изменение размера входа в соответствии с размером пачки
model.reshape(input_shape)
# компиляция модели
compiled_model = core.compile_model(model, device)
return model, compiled_model
model, compiled_model = prepare_model(core, model_xml, model_bin, input_shape)
print(f'Model: {model}')
print(f'Compiled model: {compiled_model}')
request = compiled_model.create_infer_request()
print(request)
# 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_openvino_sync(iter_num, batch_size, files, images, request):
times = []
results = dict()
istart = 0
ifinish = batch_size
for iteration in range(iter_num):
input_tensor = ov.Tensor(np.array(images[istart:ifinish], dtype=np.float32))
request.set_input_tensor(input_tensor)
request.infer()
times.append(request.latency / 1000)
results[iteration] = (files[istart:ifinish], request.get_output_tensor().data.copy())
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_openvino_perf(iter_num, batch_size, files, images, request):
results, times = inference_openvino_sync(iter_num, batch_size, files, images, request)
latency, fps = calculate_performance_metrics(times, batch_size)
return results, latency, fps
results, latency, fps = inference_openvino_perf(iter_num, batch_size, files, images, request)
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)
del model
del compiled_model
del core
try:
import tflite_runtime.interpreter as tflite
except ModuleNotFoundError:
import tensorflow.lite as tflite
print(f'Input shape {input_shape}')
files, images = prepare_input(images_dir, input_shape[1:3],
(123.68,116.78,103.94), (58.395,57.12,57.375),
True)
# путь до файла модели в формате TensorFlow Lite
model_tflite = '../public/densenet-121-tf/densenet-121.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())
istart = ifinish
ifinish = (istart + batch_size) % (len(images) + 1)
if istart > ifinish:
istart = 0
ifinish = batch_size
times.append(tf - ts)
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.
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.
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 репозиторий OMZ и установить инструмент Accuracy Checker. Ниже приведена соответствующая последовательность команд. Подробнее установка описана здесь.
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]
После установки выполнение команды accuracy_check -h
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.
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_conf.xml
для анализа
качества работы модели на загруженном наборе данных.
OpenVINO toolkit. Ниже приведена шаблонная структура конфигурационного файла
для вывода средствами OpenVINO toolkit (файл
accuracy_checker_config_template_openvino.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
OpenVINO toolkit, а тег <Config>
-- полный путь до конфигурационного файла
модели densenet-121-tf.yml
в загруженном репозитории OMZ. 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/FP32</Directory>
</Model>
<Parameters>
<InferenceFramework>OpenVINO DLDT</InferenceFramework>
<Device>CPU</Device>
<Config>work_dir/open_model_zoo/tools/accuracy_checker/configs/densenet-121-tf.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 (файл densenet-121-tflite.yml
,
содержащий корректный набор параметров, можно найти в директории с файлами
конфигурации 01_Practice_configs
к данной практической работе).
<?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>
</Tests>
Примечание: сбор показателей качества можно выполнить за один запуск обертки
Accuracy Checker, если объединить конфигурационные файлы в единый xml-файл,
содержащий два блока <Test>
.
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.
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
OpenVINO toolkit. В результате выполнения приведенной команды для конфигурации, предполагающей вывод средствами OpenVINO toolkit, будет выведена информация по структуре, аналогичная приведенной ниже с точностью до названий директорий.
Processing info:
model: densenet-121-tf
launcher: openvino
device: CPU
dataset: imagenet_1000_classes
OpenCV version: 4.5.4
Annotation conversion for imagenet_1000_classes dataset has been started
Parameters to be used for conversion:
converter: imagenet
annotation_file: /home/kustikova_v/linuxshare/datasets/val.txt
Annotation conversion for imagenet_1000_classes dataset has been finished
Converted annotation for imagenet_1000_classes dataset will be saved to imagenet1000.pickle
IE version: 2024.2.0-15519-5c0f38f83f6-releases/2024/2
Loaded CPU plugin version:
CPU - openvino_intel_cpu_plugin: 2024.2.2024.2.0-15519-5c0f38f83f6-releases/2024/2
Found model /home/kustikova_v/tensor-compiler-course/public/densenet-121-tf/FP32/densenet-121-tf.xml
Found weights /home/kustikova_v/tensor-compiler-course/public/densenet-121-tf/FP32/densenet-121-tf.bin
Input info:
Node name: input_1
Tensor names: input_1
precision: f32
shape: (1, 224, 224, 3)
Output info
Node name: predictions
Tensor names: predictions
precision: f32
shape: (1, 1000)
50000 objects processed in 1188.619 seconds
accuracy@top1: 74.46% [FAILED: abs error = 0.002 | relative error = 2.686e-05]
accuracy@top5: 92.13% [FAILED: abs error = 0.002 | relative error = 2.171e-05]
[ INFO ] Process returncode = 0
[ INFO ] Saving test result in file
[ INFO ] Accuracy tests completed
TensorFlow Lite. В результате выполнения приведенной команды для конфигурации, предполагающей вывод средствами TensorFlow Lite, будет выведена информация, аналогичная приведенной ниже также с точностью до названий директорий.
[ INFO ] Create result table with name: /home/kustikova_v/tensor-compiler-course/01_Practice/accuracy_results.csv
[ INFO ] Start 1 accuracy tests
[ INFO ] Start accuracy check for 1 test: densenet-121-tf
[ INFO ] Command line is : accuracy_check -c /home/kustikova_v/tensor-compiler-course/open_model_zoo/tools/accuracy_checker/configs/densenet-121-tflite.yml -m /home/kustikova_v/tensor-compiler-course/public/densenet-121-tf/ -s /home/kustikova_v/linuxshare/datasets/ -td CPU --csv_result /common/home/kustikova_v/tensor-compiler-course/dl-benchmark/src/accuracy_checker/result.csv -tf tf_lite -d /home/kustikova_v/tensor-compiler-course/open_model_zoo/tools/accuracy_checker/dataset_definitions.yml
[ INFO ] CSV file /common/home/kustikova_v/tensor-compiler-course/dl-benchmark/src/accuracy_checker/result.csv exists, remove...
Processing info:
model: densenet-121-tf
launcher: tf_lite
device: CPU
dataset: imagenet_1000_classes
OpenCV version: 4.5.4
Annotation for imagenet_1000_classes dataset will be loaded from imagenet1000.pickle
Loaded dataset info:
Dataset name: imagenet_1000_classes
Accuracy Checker version 0.10.6
Dataset size 50000
Conversion parameters:
converter: imagenet
annotation_file: PATH/val.txt
2024-06-29 12:57:14.727103: I tensorflow/tsl/cuda/cudart_stub.cc:28] Could not find cuda drivers on your machine, GPU will not be used.
2024-06-29 12:57:14.782913: E tensorflow/compiler/xla/stream_executor/cuda/cuda_dnn.cc:9342] Unable to register cuDNN factory: Attempting to register factory for plugin cuDNN when one has already been registered
2024-06-29 12:57:14.782968: E tensorflow/compiler/xla/stream_executor/cuda/cuda_fft.cc:609] Unable to register cuFFT factory: Attempting to register factory for plugin cuFFT when one has already been registered
2024-06-29 12:57:14.783017: E tensorflow/compiler/xla/stream_executor/cuda/cuda_blas.cc:1518] Unable to register cuBLAS factory: Attempting to register factory for plugin cuBLAS when one has already been registered
2024-06-29 12:57:14.796212: I tensorflow/core/platform/cpu_feature_guard.cc:182] This TensorFlow binary is optimized to use available CPU instructions in performance-critical operations.
To enable the following instructions: AVX2 AVX512F FMA, in other operations, rebuild TensorFlow with the appropriate compiler flags.
2024-06-29 12:57:15.828945: W tensorflow/compiler/tf2tensorrt/utils/py_utils.cc:38] TF-TRT Warning: Could not find TensorRT
12:57:16 accuracy_checker WARNING: /home/kustikova_v/.conda/envs/01_practice_env/lib/python3.9/site-packages/accuracy_checker/config/config_validator.py:164: UserWarning: launcher.tf_lite specifies unknown options: ['_list_processed_image_infos']
warnings.warn(message)
INFO: Created TensorFlow Lite XNNPACK delegate for CPU.
50000 objects processed in 4315.193 seconds
accuracy@top1: 74.46% [FAILED: abs error = 0.002 | relative error = 2.686e-05]
accuracy@top5: 92.13% [FAILED: abs error = 0.002 | relative error = 2.171e-05]
[ INFO ] Process returncode = 0
[ INFO ] Saving test result in file
[ INFO ] Accuracy tests completed
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 файлов 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/densenet-121-tf.yml
.
Для визуализации результатов можно воспользоваться построением гистограмм
средствами пакета matplotlib
.
import matplotlib.pyplot as plt
import numpy as np
ref_top1 = 74.460
ref_top5 = 92.130
openvino_computed_top1 = 74.458
openvino_computed_top5 = 92.128
tflite_computed_top1 = 74.458
tflite_computed_top5 = 92.128
def draw_hist_topK(ref_top1, ref_top5, computed_top1, computed_top5, model_format):
metrics = ("top-1", "top-5")
values = {
'Computed values': (computed_top1, computed_top5),
'Reference values': (ref_top1, ref_top5),
}
x = np.arange(len(metrics)) # the label locations
width = 0.3 # the width of the bars
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 DenseNet-121 ({model_format}), %')
ax.set_xticks(x + width / 2, metrics)
ax.legend(loc='upper left', ncols=2)
ax.set_ylim(0, 140)
plt.show()
draw_hist_topK(ref_top1, ref_top5, openvino_computed_top1, openvino_computed_top5,
'OpenVINO IR')
draw_hist_topK(ref_top1, ref_top5, tflite_computed_top1, tflite_computed_top5,
'TensorFlow Lite')
Из построенных гистограмм можно видеть, что исходная модель, сконвертированная в форматы OpenVINO toolkit и TensorFlow Lite, демонстрирует одинаковые показатели точности top-1 и top-5. Полученные результаты соответствуют референсным значениям.
Для автоматического определения параметров тестовой инфраструктуры воспользуемся
возможностями пакетов platform
и openvino.runtime
по аналогии, как это сделано
в системе бенчмаркинга вывода DLI
(ссылка на ресурс).
import platform
import os
import subprocess
from collections import OrderedDict
from sys import version as python_formatted_version
try:
from openvino.runtime import Core
_ov_core_supported = True
except ImportError:
_ov_core_supported = False
def get_cpu_name():
cpuname = 'Undefined'
if _ov_core_supported:
core = Core()
if 'CPU' in core.available_devices:
cpuname = core.get_property('CPU', 'FULL_DEVICE_NAME')
del core
return cpuname.strip()
def get_gpu_name():
gpuname = 'Undefined'
if _ov_core_supported:
core = Core()
if 'GPU' in core.available_devices:
gpuname = core.get_property('GPU', 'FULL_DEVICE_NAME')
del core
return gpuname
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({'GPU': get_gpu_name()})
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, 32, 64]
# количество потоков
num_threads = [1, 2, 4, 8, 16, 32]
# количество итераций для определения показателей латентности и FPS
iter_num = 50
# устройство для запуска вывода
device = 'CPU'
Разработчики OpenVINO toolkit утверждают, что на аппаратных решениях компании Intel инструмент выбирает оптимальные параметры запуска вывода (количество потоков и другие) автоматически. Поэтому единственный параметр, который необходимо подобрать, -- размер входной пачки данных, обрабатываемых за один проход.
import openvino as ov
# функция запуска тестов производительности для разных размеров входных пачек данных
def openvino_perf_tests(model_xml, model_bin, batch_sizes, iter_num, files, images):
core = create_core(device)
# словарь "размер пачки" - "латентность"
openvino_latency = dict()
# словарь "размер пачки" - "FPS"
openvino_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, compiled_model = prepare_model(core, model_xml, model_bin, input_shape)
# создание запроса на вывод
request = compiled_model.create_infer_request()
# запуск теста производительности для фиксированного размера пачки данных
_, latency, fps = inference_openvino_perf(iter_num, batch_size, files, images,
request)
# сохранение результатов производительности в словари
openvino_latency[batch_size] = latency
openvino_fps[batch_size] = fps
# вывод показателей производительности
print(f'batch_size = {batch_size:2}: latency = {latency:.3f} s, '
f'FPS = {fps:3.3f} frames/s')
return openvino_latency, openvino_fps
files, images = prepare_input(images_dir, input_shape[1:3])
openvino_latency, openvino_fps = openvino_perf_tests(model_xml, model_bin, batch_sizes,
iter_num, files, images)
Для наглядности полученных результатов производительности построим графики зависимости латентности и FPS от размера пачки данных.
fig, axs = plt.subplots(figsize=(7, 4.5))
x = list(openvino_latency.keys())
y = list(openvino_latency.values())
axs.plot(x, y, marker="o", color='teal')
plt.grid(True)
for i, j in zip(x, y):
if (i != 1) and (i != 2):
axs.annotate(f'{j:.3f}', xy=(i,j), ha='left', va='top', fontsize=12)
axs.set_xlabel('Batch size', fontsize=12, fontweight="bold")
axs.set_ylabel('Latency, s', fontsize=12, fontweight="bold")
axs.set_xlim(0, 70)
axs.set_title('Latency (OpenVINO toolkit)', fontsize=12, fontweight="bold")
plt.show()
Вывод из графика зависимости латентности от размера пачки данных: реализация вывода хорошо масштабируется, с увеличением пачки вдвое латентность увеличивается примерно в 2 раза.
fig, axs = plt.subplots()
x = list(openvino_fps.keys())
y = list(openvino_fps.values())
axs.plot(x, y, marker="o", color='teal')
plt.grid(True)
for i, j in zip(x, y):
axs.annotate(f'{j:.2f}', xy=(i,j), ha='left', va='bottom', fontsize=12)
axs.set_xlabel('Batch size', fontsize=12, fontweight="bold")
axs.set_ylabel('FPS', fontsize=12, fontweight="bold")
axs.set_xlim(-1, 72)
axs.set_ylim(50, 140)
axs.set_title('FPS (OpenVINO toolkit)', fontsize=12, fontweight="bold")
plt.show()
Выводы из графика зависимости FPS от размера пачки:
TensorFlow Lite в отличие от OpenVINO toolkit не обеспечивает автоматический подбор параметров запуска вывода. Поэтому для данного инструмента необходимо сравнивать производительность вывода при разных размерах 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
files, images = prepare_input(images_dir, input_shape[1:3],
(123.68,116.78,103.94), (58.395,57.12,57.375),
True)
tflite_latency, tflite_fps = tflite_perf_tests(model_tflite, batch_sizes, num_threads,
iter_num, files, images)
По аналогии с OpenVINO toolkit для наглядности построим графики зависимости латентности и FPS от размера пачки данных при разных значениях числа потоков.
colors = ['teal', 'skyblue', 'steelblue', 'maroon', 'red', 'green']
markers = ['o', 'd', 's', 'v', 'o', 'd']
linestyles = ['solid', 'dotted', 'dashed', 'dashdot', 'solid', 'dotted']
labels = ['nthreads=1', 'nthreads=2', 'nthreads=4', 'nthreads=8', 'nthreads=16', 'nthreads=32']
fig, axs = plt.subplots()
plt.grid(True)
line_idx = 0
for nthreads, bs_latency in tflite_latency.items():
x = list(bs_latency.keys())
y = list(bs_latency.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) and (i != 2) and (i != 4) and (i != 8) and (i != 16):
axs.annotate(f'{j:.2f}', xy=(i,j), ha='left', va='bottom', fontsize=12)
axs.set_xlabel('Batch size', fontsize=12, fontweight="bold")
axs.set_ylabel('Latency, s', fontsize=12, fontweight="bold")
axs.set_title('Latency (TensorFlow Lite)', fontsize=12, fontweight="bold")
axs.set_xlim(-1, 70)
axs.set_ylim(0, 6)
plt.legend(loc='upper left', ncols=1, fontsize=11)
plt.show()
Вывод из графика зависимости латентности от пачки данных при разном числе потоков: лучшие показатели латентности независимо от размера пачки достигаются на максимальном количестве доступных физических ядер.
colors = ['teal', 'skyblue', 'steelblue', 'maroon', 'red', 'green']
markers = ['o', 'd', 's', 'v', 'o', 'd']
linestyles = ['solid', 'dotted', 'dashed', 'dashdot', 'solid', 'dotted']
labels = ['nthreads=1', 'nthreads=2', 'nthreads=4', 'nthreads=8', 'nthreads=16', 'nthreads=32']
fig, axs = plt.subplots()
plt.grid(True)
line_idx = 0
for nthreads, bs_fps in tflite_fps.items():
x = list(bs_fps.keys())
y = list(bs_fps.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) and (i != 2) and (i != 4):
if nthreads == 1:
axs.annotate(f'{j:.2f}', xy=(i,j-0.2), ha='left', va='top', fontsize=12)
else:
axs.annotate(f'{j:.2f}', xy=(i,j+0.2), ha='left', va='bottom', fontsize=12)
axs.set_xlabel('Batch size', fontsize=12, fontweight="bold")
axs.set_ylabel('FPS', fontsize=12, fontweight="bold")
axs.set_title('FPS (TensorFlow Lite)', fontsize=12, fontweight="bold")
axs.set_xlim(0, 72)
axs.set_ylim(20, 120)
plt.legend(loc='upper left', ncols=3, fontsize=11)
plt.show()
Вывод из графика зависимости FPS от размера пачки данных при разном числе потоков: лучшие показатель FPS (~95.31) достигается на пачке в 4 изображения при количестве потоков, равном 16.
import operator
# определение лучшего показателя FPS для OpenVINO toolkit
max_item = max(openvino_fps.items(), key=operator.itemgetter(1))
openvino_maxarg = max_item[0]
openvino_maxfps = max_item[1]
print('OpenVINO maximum FPS\n'
f'\tBatch size: {openvino_maxarg}\n'
'\tNumber of threads: default\n'
f'\tFPS: {openvino_maxfps:.3f}')
# определение лучшего показателя FPS для TensorFlow Lite
tflite_maxs = {key: max(val.items(), key=operator.itemgetter(1))
for key, val in tflite_fps.items()}
max_item = max(tflite_maxs.items(), key=operator.itemgetter(1))
tflite_maxarg = max_item[0]
tflite_maxbs = max_item[1][0]
tflite_maxfps = max_item[1][1]
print('TensorFlow Lite maximum FPS\n'
f'\tBatch size: {tflite_maxbs}\n'
f'\tNumber of threads: {tflite_maxarg}\n'
f'\tFPS: {tflite_maxfps:.3f}')
print('\nFPS ratio: {:.2f}'.format(openvino_maxfps / tflite_maxfps))
Вывод из полученных результатов: OpenVINO toolkit при определенном наборе параметров позволяет достичь числа обрабатываемых изображений за секунду (FPS) в ~1.36 раза больше по сравнению с TensorFlow Lite на данной тестовой инфраструктуре.