resnet50-v2_tvm图像分类算法模型

ResNet50_v2

论文

Deep Residual Learning for Image Recognition

• https://arxiv.org/abs/1512.03385

模型结构

ResNet50网络中包含了49个卷积层、1个全连接层等

算法原理

ResNet50使用了多个具有残差连接的残差块来解决梯度消失或梯度爆炸问题，并使得网络可以向更深层发展。

环境配置

Docker（方法一）

拉取镜像：

    docker pull image.sourcefind.cn:5000/dcu/admin/base/custom:tvm-0.11_fp32_cpp_dtk22.10_py38_centos-7.6-latest

创建并启动容器

docker run --shm-size 16g --network=host --name=ResNet50_v2 --privileged --device=/dev/kfd --device=/dev/dri --group-add video --cap-add=SYS_PTRACE --security-opt seccomp=unconfined  -it <Your Image ID> /bin/bash

# 激活dtk
source /opt/dtk/env.sh

数据集

python 推理及调优代码使用的图片数据为：

    "https://s3.amazonaws.com/model-server/inputs/kitten.jpg"

标签数据为：

    "https://s3.amazonaws.com/onnx-model-zoo/synset.txt"

C++部署代码使用数据为：

    "https://github.com/ultralytics/yolov5/releases/download/v1.0/coco128.zip"
    
     coco128数据集的目录结构如下：
     ├── images 
     │   ├── train2017
     ├── labels
     │   ├── train2017
     ├── LICENSE
     ├── README.txt 

推理

模型文件下载地址：

    "https://github.com/onnx/models/raw/main/vision/classification/resnet/model/resnet50-v2-7.onnx"

下载模型文件后执行以下命令进行推理测试及调优测试：

    git clone http://developer.hpccube.com/codes/modelzoo/tvm_tune_resnet50-v2.git
    cd tvm_tune_resnet50-v2
    export HIP_VISIBLE_DEVICES=1 #此处为指定哪张加速卡进行推理的ID号
    python tune_resnet50-v2.py   #根据实际修改模型路径

单卡部署推理测试

下载配置好镜像之后，cd /tvm-0.11-dev0/apps/ 进入该路径下，将代码下载放到该路径下，cd tvm_tune_resnet50-v2/ 进入该路径后， 执行以下命令：

    mkdir -p lib
    export HIP_VISIBLE_DEVICES=1 #此处为指定哪张加速卡进行推理的ID号
    python prepare_test_libs.py  #根据实际修改模型路径
    sh run_example.sh

result

精度

    max_num:15.6692
    max_iter:0x28cda14
    max_num_index:345

应用场景

算法类别

图像分类

热点应用行业

制造,政府,医疗,科研

源码仓库及问题反馈

ModelZoo / ResNet50-v2_tvm · GitLab

参考资料

Apache TVM Documentation — tvm 0.17.dev0 documentation