本文分享自华为云社区《【2023 · CANN训练营第一季】——模型推理时数据预处理方法及归一化参数计算》,作者: dayao。
前言:
对待推理图片执行模型推理前,需要对图片进行预处理,以满足模型的输入要求。我们可以通过阅读模型训练代码,查看预处理的方法。在做基于Ascend CL模型推理时,通常使用的有OpenCV、AIPP、DVPP这三种方式,或者是它们的混合方式,本文比较了这三种方式的特点,并以Resnet50的pytorch模型为例,结合训练营提供的sample,说明了分别是如何实现预处理的。本文还介绍了AIPP做减均值/乘系数的参数是如何计算的。
一、查找模型训练时的预处理方式
这一步对我这样的新手有些难度,在训练营可以直接问授课老师,或者是无所不晓的老班(帅高),亦或是无所不能的小助手
以Resnet50的pytorch模型为例,这里模型需要的数据预处理方法,再讲述两种查找方法。
**Resnet50模型,**需要对待推理图片的数据预处理是:缩放到224*224;以RGB的顺序存放;对像素/255.0,变换到[0.0,1.0]范围内;再按三个通道,分别做减均值,乘系数的运算,三个通道的均值是[0.485, 0.456, 0.406],对应系数分别是:[0.229, 0.224, 0.225]。
1、方法一:在昇腾官方的modelzoo去查。gitee.com/ascend/mode…
然后选择用于训练的模型PyTorch目录
在搜索框中,输入Resnet50,找到对应的模型文件
然后在modelarts / train_start.py里查到的处理代码如下:
2、方法二:到pytorch官网去查
二、数据预处理的方式
确定好了输入图片需要做哪些预处理,接下来就需要选择合适的实现方式。Ascend CL常用的有三种:Opencv、AIPP、DVPP。这三种方式的特点如下表所示:
本次训练营,勤劳的小虎老师贴心的给大家准备了三种方式,供大家学习和掌握。代码在:gitee.com/ascend/samp… CV;CV+AIPP;DVPP+AIPP。如下表所示:
1、CV方式:sampleResnetQuickStart
2、cv+AIPP方式:sampleResnetAIPP.cpp
3、DVPP+AIPP方式:sampleResnetDVPP
三、减均值/乘系数 用AIPP实现的计算
Pytorch官方的计算方法:
1、将图像数据调整到[0.0, 1.0]之间,相当于(/255.0)——torchvision.transforms.ToTensor
2、将数据x = (x – mean(x))/std(x)——torchvision.transforms.Normalize
用数学公式表达:
pixel_out_chx(i)=[pixel_in_chx(i)/255 – mean_i]/std_i
=[pixel_in_ch(i) – mean_i*255]/(255*std_i) (公式一)
注:pixel_out_chx(i):计算输出值;
pixel_in_chx(i):原始像素值,取值范围[0, 255];
mean_i:均值,3个颜色通道分别取:[0.485, 0.456, 0.406]
std_i:系数,3个颜色通道分别取:[0.229, 0.224, 0.225]
AIPP减均值乘系数的计算公式:
pixel_out_chx(i)=[pixel_in_chx(i)-mean_chn_i-min_chn_i]*var_reci_chn (公式二)
注:pixel_out_chx(i):计算输出值;
pixel_in_chx(i):原始像素值,取值范围[0, 255];
mean_chn_i表示每个通道的均值;
min_chn_i表示每个通道的最小值;
var_reci_chn表示每个通道方差的倒数
mean_chn_i和min_chn_i可以任意使用1个,另一个为0。令mean_chn_i=0,
公式一和公式二的像素经过计算后的值相等,所以公式的右边也相等,计算可得出:
min_chn_i = mean_i*255
var_reci_chn = 1/(255*std_i)
三个通道的计算如下: