387 lines
13 KiB
Markdown
387 lines
13 KiB
Markdown
# Netrans 简介
|
||
|
||
Netrans 是Pnna NPU 配套的AI编译器，提供命令行工具 netrans_cli 和 python api netrans_py， 其功能是将模型权重转换成在 Pnna NPU 上运行的 nbg（network binary graph）格式文件（.nb 后缀）。
|
||
|
||
## 工程结构
|
||
|
||
Netrans 目录结构如下：
|
||
|
||
```text
|
||
netrans-ai-compiler/
|
||
├── bin/ # 编译器可执行文件
|
||
├── netrans_cli/ # 命令行工具
|
||
├── netrans_py/ # Python接口
|
||
├── examples/ # 示例代码
|
||
└── setup.sh # 安装脚本
|
||
|
||
```
|
||
|
||
## 安装指南
|
||
|
||
### 系统依赖
|
||
|
||
- 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，不推荐使用其他版本
|
||
|
||
### 安装步骤
|
||
|
||
- 安装依赖
|
||
|
||
```shell
|
||
sudo apt update
|
||
sudo apt install build-essential
|
||
```
|
||
|
||
- 创建 python3.8 环境
|
||
|
||
```bash
|
||
wget "https://github.com/conda-forge/miniforge/releases/latest/download/Miniforge3-$(uname)-$(uname -m).sh"
|
||
mkdir -p ~/app
|
||
INSTALL_PATH="${HOME}/app/miniforge3"
|
||
bash Miniforge3-Linux-x86_64.sh -b -p ${INSTALL_PATH}
|
||
echo "source "${INSTALL_PATH}/etc/profile.d/conda.sh"" >> ${HOME}/.bashrc
|
||
echo "source "${INSTALL_PATH}/etc/profile.d/mamba.sh"" >> ${HOME}/.bashrc
|
||
source ${HOME}/.bashrc
|
||
mamba create -n netrans python=3.8 -y
|
||
mamba activate netrans
|
||
```
|
||
|
||
- 下载 Netrans
|
||
|
||
```bash
|
||
cd ~/app
|
||
git clone https://gitlink.org.cn/nudt_dsp/netrans.git
|
||
```
|
||
|
||
- 运行配置脚本
|
||
|
||
```bash
|
||
cd ~/app/netrans
|
||
./setup.sh
|
||
```
|
||
|
||
## Netrans 使用说明
|
||
|
||
Netrans 提供 tensorflow、caffe、darknet、onnx 和 pytorch 的模型转换示例，请参考 [示例](./examples/index.rst)
|
||
|
||
### 命令行工具
|
||
|
||
Netrans CLI 提供了简单的命令行接口，用于编译和优化模型。
|
||
基本用法
|
||
|
||
```bash
|
||
load.sh model_path # 模型导入
|
||
config.sh model_path # 参数配置
|
||
quantize.sh model_path quantize_type # 模型量化
|
||
export.sh model_path quantize_type # 模型导出
|
||
```
|
||
|
||
详细说明请参考[netrans_cli 使用](netrans_cli.md)。
|
||
|
||
### Python接口
|
||
|
||
通过Netrans Python接口，可以方便地在Python脚本中调用编译器。
|
||
示例代码：
|
||
|
||
```py3
|
||
from nertans import Netrans
|
||
model_path = 'example/darknet/yolov4_tiny'
|
||
netrans_path = "netrans/bin" # 如果进行了export定义申明，这一步可以不用
|
||
|
||
# 初始化netrans
|
||
net = Netrans(model_path,netrans=netrans_path)
|
||
# 模型载入
|
||
net.load()
|
||
# 配置预处理 normlize 的参数
|
||
net.config(scale=1,mean=0)
|
||
# 模型量化
|
||
net.quantize("uint8")
|
||
# 模型导出
|
||
net.export()
|
||
|
||
# 模型直接量化成 int16 并导出, 直接复用刚配置好的 inputmeta
|
||
net.model2nbg(quantize_type = "int16", inputmeta=True)
|
||
```
|
||
|
||
详细说明请参考[netrans_py 使用](netrans_py.md)。
|
||
|
||
## 模型支持
|
||
|
||
Netrans 支持主流框架见下表。
|
||
|
||
|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](https://pjreddie.com/darknet/)列出 darknet 模型|
|
||
|
||
<font color="#dd0000">注意：</font> 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
|
||
|
||
```{table}
|
||
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
|
||
```
|
||
|
||
### 支持的TensorFlow算子
|
||
|
||
```{table}
|
||
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
|
||
|
||
```{table}
|
||
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
|
||
|
||
```{table}
|
||
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：
|
||
|
||
```bash
|
||
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：
|
||
|
||
```bash
|
||
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：
|
||
|
||
```bash
|
||
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：
|
||
|
||
```bash
|
||
yolov5s/
|
||
├── 0.jpg # 校准数据
|
||
├── dataset.txt # 指定数据地址的文件
|
||
└── yolov5s.onnx # 网络模型
|
||
``` -->
|
||
|
||
## 配置文件说明
|
||
|
||
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内容如下：
|
||
|
||
```yaml
|
||
%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
|
||
```
|
||
|
||
参数说明：
|
||
|
||
```{table}
|
||
| 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）|
|
||
```
|
||
|
||
需要根据具体模型的参数对生成的inputmeta文件进行修改。
|