resnet50_migraphx用于图像分类的深度神经网络模型

ResNet50

论文

Deep Residual Learning for Image Recognition

• https://arxiv.org/abs/1512.03385

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/migraphx:4.0.0-centos7.6-dtk23.04.1-py38-latest

创建并启动容器：

docker run --shm-size 16g --network=host --name=resnet50_migraphx --privileged --device=/dev/kfd --device=/dev/dri --group-add video --cap-add=SYS_PTRACE --security-opt seccomp=unconfined -v $PWD/resnet50_migraphx:/home/resnet50_migraphx -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_migraphx:2.0 .

docker run --shm-size 16g --network=host --name=resnet50_migraphx --privileged --device=/dev/kfd --device=/dev/dri --group-add video --cap-add=SYS_PTRACE --security-opt seccomp=unconfined -v $PWD/resnet50_migraphx:/home/resnet50_migraphx -it <Your Image ID> /bin/bash

数据集

根据需求上传所需图像，可以对相应图像进行分类。

推理

Python版本推理

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。

设置环境变量

export PYTHONPATH=/opt/dtk/lib:$PYTHONPATH

运行示例

# 进入resnet50 migraphx工程根目录
cd <path_to_resnet50_migraphx> 

# 进入示例程序目录
cd Python/

# 安装依赖
pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple
    
# 运行示例
python Classifier.py

C++版本推理

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。

安装Opencv依赖

cd <path_to_resnet50_migraphx>
sh ./3rdParty/InstallOpenCVDependences.sh

安装OpenCV并构建工程

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_migraphx>/depend/lib64/:$LD_LIBRARY_PATH

然后执行:

source ~/.bashrc

运行示例

# 进入resnet50 migraphx工程根目录
cd <path_to_resnet50_migraphx> 

# 进入build目录
cd build/

# 执行示例程序
./ResNet50

result

Python版本

输出结果中，每个值分别对应每个label的实际概率。

[[-2.07131356e-02  2.25237340e-01 -1.98313904e+00 -2.97360039e+00
  ...
  -1.08657278e-01  3.15954179e-01  1.94901395e+00 -5.70572257e-01]]

C++版本

输出结果中，每个值分别对应每个label的实际概率。

label:0,confidence:-0.020714
label:1,confidence:0.225237
label:2,confidence:-1.983139
label:3,confidence:-2.973600
...
label:996,confidence:-0.108657
label:997,confidence:0.315954
label:998,confidence:1.949014
label:999,confidence:-0.570572

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_migraphx · GitLab

参考资料

https://github.com/onnx/models/tree/main/vision/classification/resnet