跳到主要内容

InceptionV1

本教程将引导你如何通过 CPU 或 NPU 在 RevyOS 系统上运行 InceptionV1 InceptionV1 是一种多分支卷积神经网络，能高效提取多尺度特征，用于图像分类任务。

初始环境配置

在按照本教程操作前，请确保你已经完成了环境配置部分的内容。

示例代码获取​

本教程配套的示例代码已更新到 Github 中，使用 git 命令将其克隆到本地。

$ git clone https://github.com/zhangwm-pt/lpi4a-example.git

适用于本教程的代码位于 classification/inceptionv1 目录下。

模型获取​

我们使用的模型来自 tensorflow 模型仓库，可以通过以下命令下载 InceptionV1 模型：

环境准备​

在下载模型之前，请确保 TensorFlow 环境已经准备好，并建议使用虚拟环境进行配置。

$ python3 -m venv tf
$ source tf/bin/activate
$ pip install tensorflow==1.15 tf_slim pytest

获取模型权重文件​

通过以下步骤能获取到 TensorFlow 模型权重文件：

$ git clone https://github.com/tensorflow/models.git
$ cd models/research/slim
$ wget http://download.tensorflow.org/models/inception_v1_2016_08_28.tar.gz
$ tar xzvf inception_v1_2016_08_28.tar.gz

通过以下步骤将 TensorFlow 模型转换为 PyTorch 模型权重文件：

$ python export_inference_graph.py \
    --alsologtostderr \
    --model_name=inception_v1 \
    --output_file=./inception_v1_inf_graph.pb

通过以下步骤能将图结构模型与权重文件合并为一个冻结的模型：

$ python -m tensorflow.python.tools.freeze_graph \
    --input_graph=./inception_v1_inf_graph.pb \
    --input_checkpoint=./inception_v1.ckpt \
    --input_binary=true \
    --output_graph=./inception_v1.pb \
    --output_node_names=InceptionV1/Logits/Predictions/Reshape_1
关于各类文件的关系和转换
  • inception_v1.ckpt： TensorFlow 1.x 保存的训练权重文件，需配合模型结构使用，不能单独用于推理。
  • inception_v1_info_graph.pt ：导出的模型计算图结构，不含权重，不能直接运行，仅用于冻结模型时作为结构输入。
  • inception_v1.pb ：已冻结的完整推理模型，包含结构和参数，适用于部署和 HHB 模型编译。
关于 Github 的网络代理

如果你在中国大陆访问 GitHub 时遇到网络问题，可以考虑使用网络代理工具来加速访问。

模型基本信息​

GFLOPsparamsaccuracyinput nameoutput nameshapelayoutchannel orderscale valuemean values
3.27Mtop1 68.9%, top5 89.1%inputInceptionV1/Logits/Predictions/Reshape_11, 224, 224, 3NCHWBGR0.0039104, 117, 123

转换和编译模型​

在 x86 机器上，使用 HHB 工具将 pt 模型转换为适用于 RevyOS 的计算图和胶水代码。在进行下面的操作前，请确保你已经按照环境配置部分的内容启动 HHB 容器，并克隆好示例仓库。

HHB 转换模型​

在本步骤中，我们会将 pt 模型转换为 HHB 平台能够使用的格式。

进入 classification/inceptionv1 目录，执行以下命令：

$ hhb -D --model-file ./inception_v1.pb --data-scale 0.0039 --data-mean "127.5 127.5 127.5"  \
    --board th1520  --postprocess save_and_top5 --input-name "input" --output-name "InceptionV1/Logits/Predictions/Reshape_1" \
    --input-shape "1 224 224 3" --calibrate-dataset persian_cat.jpg  --quantization-scheme "int8_asym"
关于参数
  • -D：指定 HHB 流程执行到生成可执行文件的阶段为止
  • --model-file：指定输入模型文件
  • --data-mean：指定均值
  • --data-scale：指定缩放值
  • --board：指定目标平台为 C920（CPU） 或 TH1520（NPU)
  • --input-name： 模型的输入 tensor 名
  • --output-name：模型的输出 tensor 名
  • --input-shape：模型的输入 tensor 形状
  • --postprocess：指定 HHB 生成的胶水代码的后处理行为。save_and_top5 表示保存输出结果，并且打印 top5 结果
  • --quantization-scheme：指定量化类型

你可以通过运行 hhb --help 查看所有可用的参数和选项。

关于 HHB 生成的文件

命令执行完成后，会在当前目录生成 hhb_out 子目录，里面的包括了 hhb_runtime model.c 等多个文件：

  • hhb.bm：HHB 的模型文件，包括了量化后的权重数据等信息
  • hhb_runtime：适用于开发板的可执行文件，由目录中的C文件编译而成
  • main.c：HHB 生成的示例程序的参考入口
  • model.c：HHB 模型结构表示文件，与模型结构相关
  • model.params：模型权重文件
  • io.c：HHB 生成的示例程序，包含读写文件的辅助函数
  • io.h：HHB 生成的示例程序，包含读写文件的辅助函数声明
  • process.c：HHB 生成的示例程序，包含图像预处理函数
  • process.h：HHB 生成的示例程序，包含图像预处理函数声明

编译应用程序​

HHB 生成的胶水代码仅仅能够测试模型的功能。为了完成图像的前处理和后处理，我们利用 OpenCV 编写了一个应用程序来加载模型并执行推理。

在 classification/inceptionv1 目录下，使用以下命令编译应用程序：

$ export OPENCV_DIR=../../modules/opencv/ # 配置 OpenCV 的路径
$ riscv64-unknown-linux-gnu-g++ main.cpp -I${OPENCV_DIR}/include/opencv4 -L${OPENCV_DIR}/lib  \
    -lopencv_imgproc   -lopencv_imgcodecs -L${OPENCV_DIR}/lib/opencv4/3rdparty/ -llibjpeg-turbo \
    -llibwebp -llibpng -llibtiff -llibopenjp2  -lopencv_core -ldl  -lpthread -lrt -lzlib -lcsi_cv \
    -latomic -static -o inceptionv1_example
关于 OpenCV

本教程的示例代码中调用了 OpenCV 做模型输入的预处理，因此需要链接到预编译好的 OpenCV 静态库。请参照环境配置部分的内容，确保你已经安装了 OpenCV。

编译参数说明
  • -I../prebuilt_opencv/include/opencv4：头文件的搜索路径，指定到 opencv 的头文件路径
  • -L../prebuilt_opencv/lib: 库的搜索路径，指定到预编译好的 opencv 的二进制库路径
  • -lopencv_imgproc -lopencv_imgcodecs -lopencv_core：opencv 的库
  • -llibjpeg-turbo -llibwebp -llibpng -llibtiff -llibopenjp2 -lcsi_cv： opencv 的依赖库
  • -static：指定为静态链接
  • -o inceptionv1_example：指定生成名为 inceptionv1_example 的可执行文件

编译命令正确执行完成后会在示例目录生成 inceptionv1_example 文件

关于 OpenCV

本教程的示例代码中调用了 OpenCV 做模型输入的预处理，因此需要链接到预编译好的 OpenCV 静态库。请参照环境配置部分的内容，确保你已经安装了 OpenCV。

上传并运行应用程序​

上传到开发板​

将本目录中的所有文件打包上传到开发板中。例如，可以使用 scp 命令将文件上传到开发板的 /home/debian/npu 目录下：

$ scp -r ../inceptionv1/ debian@<开发板IP>:/home/debian/inceptionv1/

你也可以采取其他方式上传文件，如使用 USB 存储设备或通过网络共享等。

运行程序​

进入开发板的 /home/debian/inceptionv1 目录，确保你已经在 RevyOS 上安装了 SHL 库并配置了 LD_LIBRARY_PATH。然后运行以下命令：

$ ./inceptionv1_example
hhb_runtime报错

如果运行时出现以下错误：

hhb_out/hhb_runtime: error while loading shared libraries: libshl_th1520.so.2: cannot open shared object file: No such file or directory

请确保你已经正确配置了 LD_LIBRARY_PATH。如果仍然出现此情况，请运行 pip show shl-python 检查 shl-python 版本。

如果版本显示为 3.x.x，说明 SHL 版本太高。Resnet50 程序需要 shl-python 2.x 版本。你需要降级安装 shl-python 版本：

$ pip install shl-python==2.6.17
关于 NPU 设备权限

如果运行时出现以下错误：

FATAL: could not open driver '/dev/vha0': Permission denied

请检查当前用户是否能够读写 NPU 设备 /dev/vha0 。你可以使用以下命令将设备权限改为 0666（所有用户可读写）：

$ sudo chmod 0666 /dev/vha0

建议配置 udev 规则来自动设置设备权限。你可以询问 AI 如何配置 udev 规则。

关于 NPU 推理运行时间过长的解释

理论上来说，程序的运行时间应当很短。然而，当你实际运行程序时会发现，程序的运行时间可能超过 5 分钟。这不是 NPU 等组件出现了问题，而是因为 HHB 运行时在 NPU 上第一次加载模型时会先进行 JIT 编译，这就导致程序第一次运行时间会很长。

然而，由于 HHB 运行时的设计缺陷，HHB 在每次运行时都会重新 JIT 编译模型，因此每次运行的时间都很长。

有关更多内容，请参考常见问题和解决方案。

样例输出如下：​

本教程中输入使用的是一个波斯猫的图片，预期 resnet50 的分类结果是第 283 项最大，对应于 Persian cat。 Persian cat

$ ./inceptionv1_example
 ********** preprocess image **********
 ********** run model **********
INFO: NNA clock:363733 [kHz]
INFO: Heap :anonymous (0x2)
INFO: Heap :dmabuf (0x2)
INFO: Heap :unified (0x5)

=== tensor info ===
shape: 1 3 224 224
data pointer: 0x39dd5470

=== tensor info ===
shape: 1 1001
data pointer: 0x3f8c379000
The max_value of output: 0.759498
The min_value of output: 0.000000
The mean_value of output: 0.000863
The std_value of output: 0.000578
 ============ top5: ===========
284: 0.759498
288: 0.038720
282: 0.026806
283: 0.014892
286: 0.005957
 ********** postprocess result **********
 ********** probability top5: **********
Persian cat
lynx, catamount
tabby, tabby cat
tiger cat
Egyptian cat