ResNet50
论文
Deep Residual Learning for Image Recognition
模型结构
ResNet50模型包含了49个卷积层、一个全连接层。
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:ort1.14.0_migraphx3.0.0-dtk22.10.1
创建并启动容器:
docker run --shm-size 16g --network=host --name=resnet50_ort --privileged --device=/dev/kfd --device=/dev/dri --group-add video --cap-add=SYS_PTRACE --security-opt seccomp=unconfined -v $PWD/resnet50_onnxruntime:/home/resnet50_onnxruntime -it <Your Image ID> /bin/bash
# 激活dtk
source /opt/dtk/env.sh
Dockerfile(方法二)
cd ./docker
docker build --no-cache -t resnet50_onnxruntime:2.0 .
docker run --shm-size 16g --network=host --name=resnet50_ort --privileged --device=/dev/kfd --device=/dev/dri --group-add video --cap-add=SYS_PTRACE --security-opt seccomp=unconfined -v $PWD/resnet50_onnxruntime:/home/resnet50_onnxruntime -it <Your Image ID> /bin/bash
数据集
下载ImageNet数据集:ImageNet (image-net.org)
data
|
train
|
n01440764
n01443537
...
val
|
n01440764
n01443537
...
推理
Python版本推理
采用ONNXRuntime框架使用DCU进行推理,下面介绍如何运行python代码示例,Python示例的详细说明见Doc目录下的Tutorial_Python.md。
配置环境
# 进入resnet50 onnxruntime工程根目录
cd <path_to_resnet50_onnxruntime>
# 安装依赖
pip install -r ./Python/requirements.txt
运行示例
# 进入resnet50 onnxruntime工程根目录
cd <path_to_resnet50_onnxruntime>
# 进入示例程序目录
cd Python/
# 运行示例
python Classifier.py
C++版本推理
采用ONNXRuntime框架使用DCU进行推理,下面介绍如何运行C++代码示例,C++示例的详细说明见Doc目录下的Tutorial_Cpp.md。
构建工程
cd <path_to_resnet50_onnxruntime>
# 安装Opencv依赖
sh ./3rdParty/InstallOpenCVDependences.sh
rbuild build -d depend
设置环境变量
将依赖库依赖加入环境变量LD_LIBRARY_PATH,在~/.bashrc中添加如下语句:
export LD_LIBRARY_PATH=<path_to_resnet50_onnxruntime>/depend/lib64/:$LD_LIBRARY_PATH
然后执行:
source ~/.bashrc
运行示例
# 进入resnet50_onnxruntime工程根目录
cd <path_to_resnet50_onnxruntime>
# 进入build目录
cd build/
# 执行示例程序
./ResNet50
result
python版本
C++版本
精度
无
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_onnxruntime · GitLab
参考资料
https://github.com/onnx/models/tree/main/vision/classification/resnet