13 KiB
13 KiB
模型转换简介
Netrans 是一套运行在unbuntu 20.04上的模型处理工具，提供命令行工具 netrans_cli 和 python api netrans_py， 其核心功能是将模型权重转换成在pnna芯片上运行的 nbg（network binary graph）格式（.nb 为后缀）。
Netrans 目录结构如下：
netrans
├── bin
├── netrans_cli
├── netrans_py
└── examples
| 目录 | 说明 |
|---|---|
| bin | 导入，量化，推理，导出工程等工具的二进制文件 |
| netrans_cli | 导入，量化，推理和导出的一键运行命令行工具 |
| netrans_py | 导入，量化，推理和导出的一键运行python api |
| examples | tensorflow、caffe、darknet 和 onnx 的模型转换示例 |
注意：运行 Netrans 的计算机应该满足以下要求。
| 资源 | 描述 |
|---|---|
| CPU | Intel® Core™ i5-6500 CPU @ 3.2 GHz x4 支持 the Intel® Advanced Vector Extensions. |
| RAM | 至少8GB |
| 硬盘 | 160GB |
| 操作系统 | Ubuntu 20.04 LTS 64-bit with Python 3.8 注意：不推荐使用其他版本 |
安装
-
确保Python 3.8环境配置完成
-
使用apt安装“build-essential”
sudo apt update sudo apt install build-essential -
计算机需要满足上面描述的硬件需求
执行以下命令安装 Netrans。
创建 conda 环境 .
conda create -n netrans python=3.8 -y
conda activate netrans
下载 Netrans .
mkdir -p ~/app
cd ~/app
git clone https://gitlink.org.cn/nudt_dsp/netrans.git
安装 Netrans。
cd ~/app/netrans
./setup.sh
Netrans 工作流程介绍。
Netrans 工作流程如下:
-
- 导入并转换模型到中间模型文件
-
- 生成 inputmeta 文件
-
- 量化模型
-
- 导出模型应用部署程序工程，以便部署到硬件。
Netrans 提供 tensorflow、caffe、darknet 和 onnx 的模型转换示例，请参考 examples。
模型支持
Netrans 支持目前大多数的主流框架。具体如下表
| 输入支持 | 描述 |
|---|---|
| caffe | 支持所有的Caffe 模型 |
| Tensorflow | 支持版本1.4.x, 2.0.x, 2.3.x, 2.6.x, 2.8.x, 2.10.x, 2.12.x 以tf.io.write_graph()保存的模型 |
| ONNX | 支持 ONNX 至 1.14.0， opset支持至19 |
| Pytorch | 支持 Pytorch 至 1.5.1 |
| Darknet | 支持官网列出 darknet 模型 |
注意： Pytorch 动态图的特性，建议将 Pytorch 模型导出成 onnx ，再使用 Netrans 进行转换。
算子支持
支持的Caffe算子
| absval | innerproduct | reorg |
| axpy | lrn | roipooling |
| batchnorm/bn | l2normalizescale | relu |
| convolution | leakyrelu | reshape |
| concat | lstm | reverse |
| convolutiondepthwise | normalize | swish |
| dropout | poolwithargmax | slice |
| depthwiseconvolution | premute | scale |
| deconvolution | prelu | shufflechannel |
| elu | pooling | softmax |
| eltwise | priorbox | sigmoid |
| flatten | proposal | tanh |
持的TensorFlow算子
| tf.abs | tf.nn.rnn_cell_GRUCell | tf.negative |
| tf.add | tf.nn.dynamic_rnn | tf.pad |
| tf.nn.bias_add | tf.nn.rnn_cell_GRUCell | tf.transpose |
| tf.add_n | tf.greater | tf.nn.avg_pool |
| tf.argmin | tf.greater_equal | tf.nn.max_pool |
| tf.argmax | tf.image.resize_bilinear | tf.reduce_mean |
| tf.batch_to_space_nd | tf.image.resize_nearest_neighbor | tf.nn.max_pool_with_argmax |
| tf.nn.batch_normalization | tf.contrib.layers.instance_norm | tf.pow |
| tf.nn.fused_batchnorm | tf.nn.fused_batch_norm | tf.reduce_mean |
| tf.cast | tf.stack | tf.reduce_sum |
| tf.clip_by_value | tf.nn.sigmoid | tf.reverse |
| tf.concat | tf.signal.frame | tf.reverse_sequence |
| tf.nn.conv1d | tf.slice | tf.nn.relu |
| tf.nn.conv2d | tf.nn.softmax | tf.nn.relu6 |
| tf.nn.depthwise_conv2d | tf.space_to_batch_nd | tf.rsqrt |
| tf.nn.conv1d | tf.space_to_depth | tf.realdiv |
| tf.nn.conv3d | tf.nn.local_response_normalization | tf.reshape |
| tf.image.crop_and_resize | tf.nn.l2_normalize | tf.expand_dims |
| tf.nn.conv2d_transposed | tf.nn.rnn_cell_LSTMCelltf.nn_dynamic_rnn | tf.squeeze |
| tf.depth_to_space | tf.rnn_cell.LSTMCell | tf.strided_slice |
| tf.equal | tf.less | tf.sqrt |
| tf.exp | tf.less_equal | tf.square |
| tf.nn.elu | tf.logical_or | tf.subtract |
| tf.nn.embedding_lookup | tf.logical_add | tf.scatter_nd |
| tf.maximum | tf.nn.leaky_relu | tf.split |
| tf.floor | tf.multiply | tf.nn.swish |
| tf.matmul | tf.nn.moments | tf.tile |
| tf.floordiv | tf.minimum | tf.nn.tanh |
| tf.gather_nd | tf.matmul | tf.unstack |
| tf.gather | tf.batch_matmul | tf.where |
| tf.nn.embedding_lookup | tf.not_equal | tf.select |
支持的ONNX算子
| ArgMin | LeakyRelu | ReverseSequence |
| ArgMax | Less | ReduceMax |
| Add | LSTM | ReduceMin |
| Abs | MatMul | ReduceL1 |
| And | Max | ReduceL2 |
| BatchNormalization | Min | ReduceLogSum |
| Clip | MaxPool | ReduceLogSumExp |
| Cast | AveragePool | ReduceSumSquare |
| Concat | Globa | Reciprocal |
| ConvTranspose | lAveragePool | Resize |
| Conv | GlobalMaxPool | Sum |
| Div | MaxPool | SpaceToDepth |
| Dropout | AveragePool | Sqrt |
| DepthToSpace | Mul | Split |
| DequantizeLinear | Neg | Slice |
| Equal | Or | Squeeze |
| Exp | Prelu | Softmax |
| Elu | Pad | Sub |
| Expand | POW | Sigmoid |
| Floor | QuantizeLinear | Softsign |
| InstanceNormalization | QLinearMatMul | Softplus |
| Gemm | QLinearConv | Sin |
| Gather | Relu | Tile |
| Greater | Reshape | Transpose |
| GatherND | Squeeze | Tanh |
| GRU | Unsqueeze | Upsample |
| Logsoftmax | Flatten | Where |
| LRN | ReduceSum | Xor |
| Log | ReduceMean |
支持的Darknet算子
| avgpool | maxpool | softmax |
| batch_normalize | mish | shortcut |
| connected | region | scale_channels |
| convolutional | reorg | swish |
| depthwise_convolutional | relu | upsample |
| leaky | route | yolo |
| logistic |
数据准备
对于不同框架下训练的模型，需要准备不同的数据，所有的数据都需要放在同一个文件夹下。 模型名和文件名需要保持一致。
caffe
转换 caffe 模型时，模型工程目录应包含以下文件：
- 以 .prototxt 结尾的模型结构定义文件
- 以 .caffemode 结尾的模型权重文件
- dataset.txt 包含数据路径的文本文件（支持图像和NPY格式）
以 lenet_caffe 为例，初始目录为：
lenet_caffe/
├── 0.jpg # 校准数据
├── dataset.txt # 指定数据地址的文件
├── lenet_caffe.caffemodel # caffe 模型权重
└── lenet_caffe.prototxt # caffe 模型结构
tensorflow
转换 tenrsorflow 模型时，模型工程目录应包含以下文件：
- .pb 文件：冻结图模型文件
- inputs_outputs.txt：输入输出节点定义文件
- dataset.txt：数据路径配置文件
以 lenet 为例，初始目录为：
lenet/
├── 0.jpg # 校准数据
├── dataset.txt # 指定数据地址的文件
├── inputs_outputs.txt # 输入输出节点定义文件
└── lenet.pb # 冻结图模型文件
darknet
转换Darknet模型需准备：
- .cfg 文件：网络结构配置文件
- .weights 文件：训练权重文件
- .dataset.txt：数据路径配置文件
以 yolov4_tiny 为例，初始目录为：
yolov4_tiny/
├── 0.jpg # 校准数据
├── dataset.txt # 指定数据地址的文件
├── yolov4_tiny.cfg # 网络结构配置文件
└── yolov4_tiny.weights # 预训练权重文件
onnx
转换ONNX模型需准备：
- .onnx 文件：网络模型
- dataset.txt：数据路径配置文件
以 yolov5s 为例，初始目录为：
yolov5s/
├── 0.jpg # 校准数据
├── dataset.txt # 指定数据地址的文件
└── yolov5s.onnx # 网络模型
配置文件
Inputmeta.yml
Inputmeta.yml 是 config 生成的配置文件模版，该文件用于为Netrans中间模型配置输入层数据集合。 Netrans中的量化、推理、导出和图片转dat的操作都需要用到这个文件。 Inputmeta.yml文件结构如下：
%YAML 1.2
---
# !!!This file disallow TABs!!!
# "category" allowed values: "image, undefined"
# "database" allowed types: "H5FS, SQLITE, TEXT, LMDB, NPY, GENERATOR"
# "tensor_name" only support in H5FS database
# "preproc_type" allowed types:"IMAGE_RGB, IMAGE_RGB888_PLANAR, IMAGE_RGB888_PLANAR_SEP,
IMAGE_I420,
# IMAGE_NV12, IMAGE_YUV444, IMAGE_GRAY, IMAGE_BGRA, TENSOR"
input_meta:
databases:
- path: dataset.txt
type: TEXT
ports:
- lid: data_0
category: image
dtype: float32
sparse: false
tensor_name:
layout: nhwc
shape:
- 50
- 224
- 224
- 3
preprocess:
reverse_channel: false
mean:
- 103.94
- 116.78
- 123.67
scale: 0.017
preproc_node_params:
preproc_type: IMAGE_RGB
add_preproc_node: false
preproc_perm:
- 0
- 1
- 2
- 3
- lid: label_0
redirect_to_output: true
category: undefined
tensor_name:
dtype: float32
shape:
- 1
- 1
上面示例文件的各个参数解释：
| 参数 | 说明 |
|---|---|
| input_meta | 预处理参数配置申明。 |
| databases | 数据配置，包括设置 path、type 和 ports 。 |
| path | 数据集文件的相对（执行目录）或绝对路径。默认为 dataset.txt, 不建议修改。 |
| type | 数据集文件格式，固定为TEXT。 |
| ports | 指向网络中的输入或重定向的输入，目前只支持一个输入，如果网络存在多个输入，请与@ccyh联系。 |
| lid | 输入层的lid |
| category | 输入的类别。将此参数设置为以下值之一：image（图像输入）或 undefined（其他类型的输入）。 |
| dtype | 输入张量的数据类型，用于将数据发送到 pnna 网络的输入端口。支持的数据类型包括 float32 和 quantized。 |
| sparse | 指定网络张量是否以稀疏格式存在。将此参数设置为以下值之一：true（稀疏格式）或 false（压缩格式）。 |
| tensor_name | 留空此参数 |
| layout | 输入张量的格式，使用 nchw 用于 Caffe、Darknet、ONNX 和 PyTorch 模型。使用 nhwc 用于 TensorFlow、TensorFlow Lite 和 Keras 模型。 |
| shape | 此张量的形状。第一维，shape[0]，表示每批的输入数量，允许在一次推理操作之前将多个输入发送到网络。如果batch维度设置为0，则需要从命令行指定--batch-size。如果 batch维度设置为大于1的值，则直接使用inputmeta.yml中的batch size并忽略命令行中的--batch-size。 |
| fitting | 保留字段 |
| preprocess | 预处理步骤和顺序。预处理支持下面的四个参数，参数的顺序代表预处理的顺序。 |
| reverse_channel | 指定是否保留通道顺序。将此参数设置为以下值之一：true（保留通道顺序）或 false（不保留通道顺序）。对于 TensorFlow 和 TensorFlow Lite 框架的模型使用 true。 |
| mean | 用于每个通道的均值。 |
| scale | 张量的缩放值。均值和缩放值用于根据公式 (inputTensor - mean) × scale 归一化输入张量。 |
| preproc_node_params | 预处理节点参数，在 OVxlib C 项目案例中启用预处理任务 |
| add_preproc_node | 用于处理 OVxlib C 项目案例中预处理节点的插入。[true, false] 中的布尔值，表示通过配置以下参数将预处理层添加到导出的应用程序中。此参数仅在 add_preproc_node 参数设置为 true 时有效。 |
| preproc_type | 预处理节点输入类型。 [IMAGE_RGB, IMAGE_RGB888_PLANAR,IMAGE_YUV420, IMAGE_GRAY, IMAGE_BGRA, TENSOR] 中的字符串值 |
| preproc_perm | 预处理节点输入的置换参数。 |
| redirect_to_output | 将database张量重定向到图形输出的特殊属性。如果为该属性设置了一个port，网络构建器将自动为该port生成一个输出层，以便后处理文件可以直接处理来自database的张量。 如果使用网络进行分类，则上例中的lid“input_0”表示输入数据集的标签lid。 请注意，redirect_to_output 必须设置为 true，以便后处理文件可以直接处理来自database的张量。 标签的lid必须与后处理文件中定义的 labels_tensor 的lid相同。 [true, false] 中的布尔值。 指定是否将由张量表示的输入端口的数据直接发送到网络输出。true（直接发送到网络输出）或 false（不直接发送到网络输出） |
可以根据实际情况对生成的inputmeta文件进行修改。