Skip to content

Latest commit

 

History

History
executable file
·
173 lines (135 loc) · 10.3 KB

README.md

File metadata and controls

executable file
·
173 lines (135 loc) · 10.3 KB
Raw

简体中文 | English

SAM

目录

1. 简介

​SAM是Meta提出的一个分割一切的提示型模型，其在1100万张图像上训练了超过10亿个掩码，实现了强大的零样本泛化，突破了分割界限。本例程对​SAM官方开源仓库的模型和算法进行移植，使之能在SOPHON BM1684X上进行推理测试。

2. 特性

  • 支持BM1684X(x86 PCIe、SoC)
  • 图像压缩(embedding)部分支持FP16 1batch(BM1684X)模型编译和推理
  • 图像推理(mask_decoder)部分支持FP32 1batch、FP16 1batch(BM1684X)模型编译和推理
  • 支持基于OpenCV的Python推理
  • 支持单点和box输入的模型推理，并输出最高置信度mask或置信度前三的mask
  • 支持图片测试
  • 支持无需点框输入的自动图掩码生成

注意： 本repo将图像压缩（embedding）和图像推理（mask_decoder）分为两个bmodel运行； 图像推理部分最后一层resize未编入bmodel模型；详情请参考'scripts/gen_fp<16/32>bmodel_mlir.sh'脚本

3. 准备模型与数据

建议使用TPU-MLIR编译BModel，Pytorch模型在编译前要导出成onnx模型。具体可参考SAM模型导出。

注意:本例程要求TPU-MLIR版本 > v1.6.22。您可以从sftp上获取TPU-MLIR压缩包:

pip3 install dfss --upgrade

python3 -m dfss [email protected]:sophon-demo/SAM/tpu-mlir_v1.6.22-g62da924d-20231213.tar.gz

​本例程在scripts目录下提供了相关模型和数据的下载脚本download.sh，您也可以自己准备模型和数据集，并参考4. 模型编译进行模型转换。

# 安装unzip，若已安装请跳过，非ubuntu系统视情况使用yum或其他方式安装
sudo apt install unzip
chmod -R +x scripts/
./scripts/download.sh

下载的模型包括：

./models
├── BM1684X
│   ├── decode_bmodel
│   |   ├── SAM-ViT-B_auto_multi_decoder_fp32_1b.bmodel           # decoder部分fp32 bmodel，全分割
│   │   ├── SAM-ViT-B_decoder_multi_mask_fp16_1b.bmodel     # decoder部分fp16 bmodel，输出置信度前三的mask  
│   │   ├── SAM-ViT-B_decoder_multi_mask_fp32_1b.bmodel     # decoder部分fp32 bmodel，输出置信度前三的mask  
│   │   ├── SAM-ViT-B_decoder_single_mask_fp16_1b.bmodel    # decoder部分fp16 bmodel，输出置信度第一的mask  
│   │   └── SAM-ViT-B_decoder_single_mask_fp32_1b.bmodel    # decoder部分fp32 bmodel，输出置信度第一的mask  
│   └── embedding_bmodel
│       └── SAM-ViT-B_embedding_fp16_1b.bmodel              # embedding部分fp16 bmodel
├── onnx
│   ├── decode_model_multi_mask.onnx                        # 由原模型导出的，decoder部分onnx模型，输出置信度前三的mask 
│   ├── decode_model_single_mask.onnx                       # 由原模型导出的，decoder部分onnx模型，输出置信度第一的mask 
│   ├── embedding_model.onnx                                # 由原模型导出的，embedding部分onnx模型
│   └── vit-b-auto-multi_mask.onnx                             # 由原模型导出的auto_mask_decoder部分onnx模型
└── torch
    └── sam_vit_b_01ec64.pth                                # 原torch模型

下载的数据包括：

./datasets
├── truck.jpg                                      # 测试图片1
├── groceries.jpg                                  # 测试图片2
└── dog.jpg                                        # 测试图片3

4. 模型编译

导出的模型需要编译成BModel才能在SOPHON TPU上运行，如果使用下载好的BModel可跳过本节。建议使用TPU-MLIR编译BModel。

模型编译前需要安装TPU-MLIR，具体可参考TPU-MLIR环境搭建。安装好后需在TPU-MLIR环境中进入例程目录。使用TPU-MLIR将onnx模型编译为BModel，具体方法可参考《TPU-MLIR快速入门手册》的“3. 编译ONNX模型”(请从算能官网相应版本的SDK中获取)。

  • 生成FP32 BModel

​本例程在scripts目录下提供了使用TPU-MLIR编译FP32 BModel的脚本，请注意修改gen_fp32bmodel_mlir.sh中的onnx模型路径、生成模型目录和输入大小shapes等参数，并在执行时指定BModel运行的目标平台（支持BM1684X），如：

./scripts/gen_fp32bmodel_mlir.sh bm1684x

​执行上述命令会在models/BM1684X/decode_bmodel下生成SAM-ViT-B_decoder_multi_mask_fp32_1b.bmodel、SAM-ViT-B_decoder_single_mask_fp32_1b.bmodel文件，即转换好的图像推理（mask_decoder）FP32 BModel。 注意，目前图像压缩（embedding）不支持编译为fp32 bmodel，您可以使用fp16 bmodel进行图像压缩部分推理。

  • 生成FP16 BModel

​本例程在scripts目录下提供了TPU-MLIR编译FP16 BModel的脚本，请注意修改gen_fp16bmodel_mlir.sh中的onnx模型路径、生成模型目录和输入大小shapes等参数，并在执行时指定BModel运行的目标平台（支持BM1684X），如：

./scripts/gen_fp16bmodel_mlir.sh bm1684x

​执行上述命令会在models/BM1684X/embedding_bmodel下生成SAM-ViT-B_embedding_fp16_1b.bmodel 以及models/BM1684X/decode_bmodel下生成SAM-ViT-B_decoder_multi_mask_fp16_1b.bmodel、SAM-ViT-B_decoder_single_mask_fp16_1b.bmodel文件，即转换好的图像压缩（embedding）和图像推理（mask_decoder）FP16 BModel。

  • 生成auto mask FP32 BModel

本例程在scripts目录下提供了TPU-MLIR编译专门用于自动掩码生成的FP32 BModel的脚本，请注意修改gen_auto_fp32bmodel_mlir.sh中的onnx模>型路径、生成模型目录和输入大小shapes等参数，并在执行时指定BModel运行的目标平台（支持BM1684X），如：

./scripts/gen_auto_fp32bmodel_mlir.sh bm1684x

执行上述命令会在models/BM1684X/decode_bmodel下生成SAM-ViT-B_auto_decoder_fp32_1b.bmodel文件，即转换好的自动图像推理（auto_mask_decoder）FP32 BModel。

5. 例程测试

5.1 Python例程

5.2 web_ui例程

6. 性能测试

6.1 bmrt_test

使用bmrt_test测试模型的理论性能：

# 请根据实际情况修改要测试的bmodel路径和devid参数
bmrt_test --bmodel models/BM1684X/embedding_bmodel/SAM-ViT-B_embedding_fp16_1b.bmodel
bmrt_test --bmodel models/BM1684X/decode_bmodel/SAM-ViT-B_decoder_fp32_1b.bmodel
bmrt_test --bmodel models/BM1684X/decode_bmodel/SAM-ViT-B_auto_decoder_fp32_1b.bmodel

测试结果中的calculate time就是模型推理的时间，多batch size模型应当除以相应的batch size才是每张图片的理论推理时间。

测试各个模型的理论推理时间，结果如下：

测试embedding/decode模型 calculate time(s)
SAM-ViT-B_embedding_fp16_1b.bmodel 0.303
SAM-ViT-B_decoder_multi_mask_fp16_1b.bmodel 0.009
SAM-ViT-B_decoder_multi_mask_fp32_1b.bmodel 0.027
SAM-ViT-B_decoder_single_mask_fp16_1b.bmodel 0.005
SAM-ViT-B_decoder_single_mask_fp32_1b.bmodel 0.026
SAM-ViT-B_auto_decoder_fp32_1b.bmodel 1.503

测试说明：

  1. 性能测试结果具有一定的波动性；
  2. calculate time已折算为平均每张图片的推理时间；
  3. SoC和PCIe的测试结果基本一致。

6.2 程序运行性能

参考Python例程运行程序，并查看统计的解码时间、预处理时间、推理时间、后处理时间。目前SAM_VIT仅支持1 batch的fp32和int8模型。

测试datasets/truck.jpg单张图片性能测试结果如下（时间单位为ms），测试结果有一定波动性：

测试平台 测试程序 测试模型 decode_time embedding_time decode_mask_time postprocess_time
BM1684X SoC sam_opencv.py SAM-ViT-B_embedding_fp16_1b.bmodel,SAM-ViT-B_decoder_multi_mask_fp16_1b.bmodel 11.0 416.0 15.5 16.2
BM1684X SoC sam_opencv.py SAM-ViT-B_embedding_fp16_1b.bmodel,SAM-ViT-B_decoder_multi_mask_fp32_1b.bmodel 11.0 411.0 34.0 16.5
BM1684X SoC sam_opencv.py SAM-ViT-B_embedding_fp16_1b.bmodel,SAM-ViT-B_decoder_single_mask_fp16_1b.bmodel 11.0 416.0 15.5 16.2
BM1684X SoC sam_opencv.py SAM-ViT-B_embedding_fp16_1b.bmodel,SAM-ViT-B_decoder_single_mask_fp32_1b.bmodel 11.0 411.0 34.0 16.5
BM1684X SoC sam_opencv.py SAM-ViT-B_embedding_fp16_1b.bmodel,SAM-ViT-B_auto_decoder_fp32_1b.bmodel 37.39 512.61 28942.54 9403.08

测试说明：

  1. 时间单位均为毫秒(ms)，统计的时间均为平均每张图片处理的时间；
  2. 性能测试结果具有一定的波动性，建议多次测试取平均值；
  3. BM1684/1684X SoC的主控处理器均为8核 ARM A53 42320 DMIPS @2.3GHz，PCIe上的性能由于处理器的不同可能存在较大差异；
  4. 图片分辨率对解码时间影响较大，推理结果对后处理时间影响较大，不同的测试图片可能存在较大差异，不同的阈值对后处理时间影响较大。

7. FAQ

问题请参考FAQ查看一些常见的问题与解答。