OpenVINO 2021r1 超分辨率重建 INT8量化 |
您所在的位置：网站首页 › waifu2x用不了 › OpenVINO 2021r1 超分辨率重建 INT8量化 |
OpenVINO 2021r1 超分辨率重建 INT8量化
|
接下来试试超分的INT8量化, 还是拿waifu2x模型来试验 首先毫无意外的掉进坑里了... ... 本来系统里已经装好了OpenVINO 2021r2, 想直接从这个版本开始，先安装accuracy_checker和pot的最新版本 到openvino_2021\deployment_tools\open_model_zoo\tools\accuracy_checker目录下运行 python setup.py install安装成功， 再到openvino_2021\deployment_tools\tools\post_training_optimization_toolkit的目录下运行相同的安装命令，结果安装失败了，报有个ideep4py的库找不到，看了下openvino_2021\deployment_tools\tools\post_training_optimization_toolkit\setup.py, 看到这么一段 INSTALL_REQUIRES = ['scipy==1.2.1', 'jstyleson==0.0.2', 'numpy==1.16.3', 'pandas==0.24.2', 'hyperopt==0.1.2', 'addict==2.2.1', 'chainer==7.7.0', 'ideep4py==2.0.0.post3']再上这个库的源上看了一眼https://pypi.org/simple/ideep4py/，发现这货根本就没有windows包。难道要我再装个linux版? 万般无奈之际发现我的2020r3是好的，只好一个版本一个版本的回滚，发现OV2021r1的pot安装是不依赖这个ideep4py的 出坑的方法就是: 目前做8bit量化要用OV2021r1，不用OV2021r2!!! 开源项目就这样，等OV2021r3出来以后再看看这个bug有没有解决吧 开始正式转INT8模型 1. accuracy_checker 先搞定精度检测，因为pot转换的时候也需要这个工具来对比原始模型和转换后的int8模型的推理精度。 主要的思路来源于这篇文章 OpenVINO 2020的INT8转换工具POT的初体验 因为OpenVINO在open model zoo里带的超分模型single-image-super-resolution-1032是有int8模型的，所以可以参考openvino_2021\deployment_tools\open_model_zoo\tools\accuracy_checker\configs\single-image-super-resolution-1032.yml的写法，自己编一个出来 先写配置文件waifu_FP32_ac_ov2021.yml models: - name: waifu2x launchers: - framework: dlsdk model: noise0_scale2x_model_FP32.xml weights: noise0_scale2x_model_FP32.bin adapter: type: super_resolution reverse_channels: True datasets: - name: super_resolution_x2 data_source: dataset annotation_conversion: converter: super_resolution data_dir: dataset lr_suffix: lr_ hr_suffix: hr_ annotation: super_resolution_x2.pickle preprocessing: - type: auto_resize postprocessing: - type: resize apply_to: prediction metrics: - type: psnr scale_border: 4 presenter: print_vector #- type: ssim # presenter: print_vector这里各个数据段的含义就不解释了，可以参考官方文档 https://docs.openvinotoolkit.org/latest/omz_tools_accuracy_checker_accuracy_checker_adapters_README.html 接下来做个数据集 在放waifu_FP32_ac.yml的目录下新建个目录dataset 这个名字对应yml文件里的datasets段里面的定义 datasets: - name: super_resolution_x2 #data_source填存放数据集的目录 data_source: dataset annotation_conversion: converter: super_resolution #data_dir填存放数据集的目录 data_dir: dataset #lr_suffix, hr_suffix放图片的前缀，这里是告诉accuracy_checker, 低分辨率的图片是按照lr_1.png, lr_2.png... 高分辨率图片是按照hr_1.png hr_2.png... 来命名的 lr_suffix: lr_ hr_suffix: hr_ annotation: super_resolution_x2.pickle制作测试图片集，我的waifu2x模型通过MO转IR的时候定义了input_shape为[640x480], 所以转换的低分辨率图片分辨率为[640x480], 高分辨率图片分辨率为2x，即[1280x960]，因为没有原始训练的数据集，只是随便测测，所以只随便找了20张图片转换出了20组
运行 accuracy_check -c waifu_FP32_ac_ov2021.yml -s ./ -td GPU输出
PSNR很差，有很多可能，也许是我的数据集不是原始训练集，也可能是我做数据集的时候的缩放顺序不对，或者HR图像的分辨率不对，再或者是yml的某个字段填错了。不过无所谓，至少说明accuracy checker能正常工作了 :) 2. POT AC工作正常了，POT的json配置文件也可以照着相同的思路来一遍，这里我用了最简单的默认量化算法 { /* Model parameters */ "model": { "model_name": "noise0_scale2x_model_FP32", // Model name "model": "noise0_scale2x_model_FP32.xml", // Path to model (.xml format) "weights": "noise0_scale2x_model_FP32.bin" // Path to weights (.bin format) }, /* Parameters of the engine used for model inference */ "engine": { "config": "waifu_FP32_ac_ov2021.yml" }, /* Optimization hyperparameters */ "compression": { "target_device": "GPU", // Target device, the specificity of which will be taken // into account during optimization "algorithms": [ { "name": "DefaultQuantization", // Optimization algorithm name "params": { "preset": "performance", // Preset [performance, mixed, accuracy] which control the quantization // mode (symmetric, mixed (weights symmetric and activations asymmetric) // and fully asymmetric respectively) "stat_subset_size": 20 // Size of subset to calculate activations statistics that can be used // for quantization parameters calculation } } ] } }运行命令 pot -c waifu_simplified_mode_ov2021.json一通CPU风扇狂转之后终于有了结果 (这里手工改了文件名，原来转出来的文件和原模型文件名一样）
用ac检查一下INT8模型的精度 processed in 24.956 seconds psnr@mean: 13.60Db psnr@std: 2.99DbPSNR有下降，不过PSNR并不能表示图像画质，还是要用人眼的主观画质评测来打分，这个是玄学 :P 3. Bicubic, FP16 SR, INT8 SR 2X画质对比 祭出OpenVINO 2021r2 C++ 超分辨率重建 Waifu2x里面用到的SR转换程序，改一下模型的名字，得到3种模式的输出 原始图片（测试图片来自网络）
Bicubic的2x放大效果
Waifu2x 2X FP16 精度放大的效果 Waifu2x 2X INT8 精度放大的效果
和FP16的模型输出做比对，第一眼没有什么特别明显的差别 4. 性能分析 最后看一下性能 前一篇文章, Waifu2X FP16的模型 调用inferRequest_regular.Infer()推理的时间, 在8665U 4核8线程的CPU和 Gen9 24EU的核显上 CPU: 1341ms (0.746FPS)GPU: 685ms (1.46FPS)这次在相同的配置下, Waifu2X INT8模型 CPU: 957ms (1.04FPS)GPU: 1228ms (0.81FPS)基本符合预期，CPU方面可以通过INT8模型来提升性能， GPU方面因为Gen9不支持INT8计算，所以加载的int8模型会转换成FP32模型来计算，自然性能不如FP16的模型
再借来台其他同学的老虎湖(Tiger Lake 1165G7)来试试Gen12 96EU的显卡 :) INT8模型 GPU: 154ms (6.49FPS) FP16模型 GPU: 175.38ms (5.7FPS)
Gen12集显的性能提升还是很明显的， Gen12 FP16 VS. Gen9 FP16模型 5.7/1.46=3.9X Gen12 INT8 VS. Gen12 FP16 模型 6..49/5.7=1.14X
最后代码奉上，仅供参考 https://gitee.com/tisandman/pot_waifu2x_ov2021
|
【本文地址】
今日新闻 |
推荐新闻 |