OpenVINO 2021r1 超分辨率重建 INT8量化 - Waifu2x

接下来试试超分的INT8量化, 还是拿waifu2x模型来试验

 

首先毫无意外的掉进坑里了... ...

本来系统里已经装好了OpenVINO 2021r2, 想直接从这个版本开始，先安装accuracy_checker和pot的最新版本

到openvino_2021\deployment_tools\open_model_zoo\tools\accuracy_checker目录下运行

python setup.py install

安装成功，

再到openvino_2021\deployment_tools\tools\post_training_optimization_toolkit的目录下运行相同的安装命令，结果安装失败了，报有个ideep4py的库找不到，看了下openvino_2021\deployment_tools\tools\post_training_optimization_toolkit\setup.py, 看到这么一段

INSTALL_REQUIRES = ['scipy==1.2.1',
                    'jstyleson==0.0.2',
                    'numpy==1.16.3',
                    'pandas==0.24.2',
                    'hyperopt==0.1.2',
                    'addict==2.2.1',
                    'chainer==7.7.0',
                    'ideep4py==2.0.0.post3']

再上这个库的源上看了一眼https://pypi.org/simple/ideep4py/，发现这货根本就没有windows包。难道要我再装个linux版?

万般无奈之际发现我的2020r3是好的，只好一个版本一个版本的回滚，发现OV2021r1的pot安装是不依赖这个ideep4py的

出坑的方法就是: 目前做8bit量化要用OV2021r1，不用OV2021r2!!! 开源项目就这样，等OV2021r3出来以后再看看这个bug有没有解决吧

 

开始正式转INT8模型

1. accuracy_checker

先搞定精度检测，因为pot转换的时候也需要这个工具来对比原始模型和转换后的int8模型的推理精度。

主要的思路来源于这篇文章 OpenVINO 2020的INT8转换工具POT的初体验 因为OpenVINO在open model zoo里带的超分模型single-image-super-resolution-1032是有int8模型的，所以可以参考openvino_2021\deployment_tools\open_model_zoo\tools\accuracy_checker\configs\single-image-super-resolution-1032.yml的写法，自己编一个出来

先写配置文件waifu_FP32_ac_ov2021.yml

models:
  - name: waifu2x

    launchers:
      - framework: dlsdk
        model: noise0_scale2x_model_FP32.xml
        weights: noise0_scale2x_model_FP32.bin

        adapter:
          type: super_resolution
          reverse_channels: True

    datasets:
      - name: super_resolution_x2
        data_source: dataset
        annotation_conversion:
          converter: super_resolution
          data_dir: dataset
          lr_suffix: lr_
          hr_suffix: hr_
        annotation: super_resolution_x2.pickle

        preprocessing:
          - type: auto_resize

        postprocessing:
          - type: resize
            apply_to: prediction
    
        metrics:
          - type: psnr
            scale_border: 4
            presenter: print_vector
          #- type: ssim
          #  presenter: print_vector

这里各个数据段的含义就不解释了，可以参考官方文档 https://docs.openvinotoolkit.org/latest/omz_tools_accuracy_checker_accuracy_checker_adapters_README.html

接下来做个数据集

在放waifu_FP32_ac.yml的目录下新建个目录dataset 这个名字对应yml文件里的datasets段里面的定义

    datasets:
      - name: super_resolution_x2
#data_source填存放数据集的目录
        data_source: dataset
        annotation_conversion:
          converter: super_resolution
#data_dir填存放数据集的目录
          data_dir: dataset
#lr_suffix, hr_suffix放图片的前缀，这里是告诉accuracy_checker, 低分辨率的图片是按照lr_1.png, lr_2.png... 高分辨率图片是按照hr_1.png hr_2.png... 来命名的
          lr_suffix: lr_
          hr_suffix: hr_
        annotation: super_resolution_x2.pickle

制作测试图片集，我的waifu2x模型通过MO转IR的时候定义了input_shape为[640x480], 所以转换的低分辨率图片分辨率为[640x480], 高分辨率图片分辨率为2x，即[1280x960]，因为没有原始训练的数据集，只是随便测测，所以只随便找了20张图片转换出了20组

 运行

accuracy_check -c waifu_FP32_ac_ov2021.yml -s ./ -td GPU

输出

PSNR很差，有很多可能，也许是我的数据集不是原始训练集，也可能是我做数据集的时候的缩放顺序不对，或者HR图像的分辨率不对，再或者是yml的某个字段填错了。不过无所谓，至少说明accuracy checker能正常工作了 :)

 

2. POT

AC工作正常了，POT的json配置文件也可以照着相同的思路来一遍，这里我用了最简单的默认量化算法

{
    /* Model parameters */

    "model": {
        "model_name": "noise0_scale2x_model_FP32", // Model name
        "model": "noise0_scale2x_model_FP32.xml", // Path to model (.xml format)
        "weights": "noise0_scale2x_model_FP32.bin" // Path to weights (.bin format)
    },

    /* Parameters of the engine used for model inference */

    "engine": {
        "config": "waifu_FP32_ac_ov2021.yml"
    },

    /* Optimization hyperparameters */

    "compression": {
        "target_device": "GPU", // Target device, the specificity of which will be taken
                                // into account during optimization
        "algorithms": [
            {
                "name": "DefaultQuantization", // Optimization algorithm name
                "params": {
                    "preset": "performance", // Preset [performance, mixed, accuracy] which control the quantization
                                             // mode (symmetric, mixed (weights symmetric and activations asymmetric)
                                             // and fully asymmetric respectively)

                    "stat_subset_size": 20  // Size of subset to calculate activations statistics that can be used
                                             // for quantization parameters calculation
                }
            }
        ]
    }
}

 运行命令

pot -c waifu_simplified_mode_ov2021.json

一通CPU风扇狂转之后终于有了结果 (这里手工改了文件名，原来转出来的文件和原模型文件名一样）

用ac检查一下INT8模型的精度

processed in 24.956 seconds
psnr@mean: 13.60Db
psnr@std: 2.99Db

PSNR有下降，不过PSNR并不能表示图像画质，还是要用人眼的主观画质评测来打分，这个是玄学 :P

 

3. Bicubic, FP16 SR, INT8 SR 2X画质对比

祭出OpenVINO 2021r2 C++ 超分辨率重建 Waifu2x里面用到的SR转换程序，改一下模型的名字，得到3种模式的输出

原始图片（测试图片来自网络）

Bicubic的2x放大效果

 Waifu2x 2X FP16 精度放大的效果

 

 Waifu2x 2X INT8 精度放大的效果 

和FP16的模型输出做比对，第一眼没有什么特别明显的差别

 

4. 性能分析

最后看一下性能

前一篇文章, Waifu2X FP16的模型

调用inferRequest_regular.Infer()推理的时间, 在8665U 4核8线程的CPU和 Gen9 24EU的核显上

• CPU: 1341ms (0.746FPS)
• GPU: 685ms (1.46FPS)

这次在相同的配置下, Waifu2X INT8模型

• CPU: 957ms (1.04FPS)
• GPU: 1228ms (0.81FPS)

 基本符合预期，CPU方面可以通过INT8模型来提升性能， GPU方面因为Gen9不支持INT8计算，所以加载的int8模型会转换成FP32模型来计算，自然性能不如FP16的模型

 

再借来台其他同学的老虎湖(Tiger Lake 1165G7)来试试Gen12 96EU的显卡 :)

INT8模型 GPU: 154ms (6.49FPS)

FP16模型 GPU: 175.38ms (5.7FPS)

 

Gen12集显的性能提升还是很明显的，

Gen12 FP16 VS. Gen9 FP16模型

    5.7/1.46=3.9X

Gen12 INT8 VS. Gen12 FP16 模型

    6..49/5.7=1.14X

 

最后代码奉上，仅供参考

https://gitee.com/tisandman/pot_waifu2x_ov2021