ResNet50_v2
论文
Deep Residual Learning for Image Recognition
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