semantic_segmentation

语义分割模型自动压缩示例

目录：

• 1.简介
• 2.Benchmark
• 3.开始自动压缩
  • 3.1 环境准备
  • 3.2 准备数据集
  • 3.3 准备预测模型
  • 3.4 自动压缩并产出模型
• 4.预测部署
• 5.FAQ

1.简介

本示例将以语义分割模型PP-HumanSeg-Lite为例，介绍如何使用PaddleSeg中Inference部署模型进行自动压缩。本示例使用的自动压缩策略为非结构化稀疏、蒸馏和量化、蒸馏。

2.Benchmark

模型	策略	Total IoU	ARM CPU耗时(ms) thread=1	Nvidia GPU耗时(ms)	配置文件	Inference模型
PP-HumanSeg-Lite	Baseline	92.87	56.363	-	-	model
PP-HumanSeg-Lite	非结构化稀疏+蒸馏	92.35	37.712	-	config	-
PP-HumanSeg-Lite	量化+蒸馏	92.84	49.656	-	config	model (非最佳)
PP-Liteseg	Baseline	77.04	-	1.425	-	model
PP-Liteseg	量化训练	76.93	-	1.158	config	model
HRNet	Baseline	78.97	-	8.188	-	model
HRNet	量化训练	78.90	-	5.812	config	model
UNet	Baseline	65.00	-	15.291	-	model
UNet	量化训练	64.93	-	10.228	config	model
Deeplabv3-ResNet50	Baseline	79.90	-	12.766	-	model
Deeplabv3-ResNet50	量化训练	79.26	-	8.839	config	model
BiSeNetV2	Baseline	73.17	-	35.61	-	model
BiSeNetV2	量化训练	73.20	-	15.94	config	model

• ARM CPU测试环境：高通骁龙710处理器(SDM710 2*A75(2.2GHz) 6*A55(1.7GHz))；

• Nvidia GPU测试环境：

  • 硬件：NVIDIA Tesla T4 单卡
  • 软件：CUDA 11.0, cuDNN 8.0, TensorRT 8.0
  • 测试配置：batch_size: 40

下面将以开源数据集为例介绍如何对PP-HumanSeg-Lite进行自动压缩。

3. 自动压缩流程

3.1 准备环境

• PaddlePaddle >= 2.3 （可从Paddle官网下载安装）
• PaddleSlim >= 2.3
• PaddleSeg == 2.5.0

安装paddlepaddle：

# CPU
pip install paddlepaddle
# GPU
pip install paddlepaddle-gpu

安装paddleslim：

pip install paddleslim

准备paddleslim示例代码：

git clone https://github.com/PaddlePaddle/PaddleSlim.git

安装paddleseg 2.5.0

pip install paddleseg==2.5.0

注：安装PaddleSeg的目的只是为了直接使用PaddleSeg中的Dataloader组件，不涉及模型组网等。本示例需安装PaddleSeg 2.5.0, 不同版本的PaddleSeg的Dataloader返回数据的格式略有不同.

3.2 准备数据集

开发者可下载开源数据集 (如AISegment) 或自定义语义分割数据集。请参考PaddleSeg数据准备文档来检查、对齐数据格式即可。

本示例使用示例开源数据集 AISegment 数据集为例介绍如何对PP-HumanSeg-Lite进行自动压缩。示例数据集仅用于快速跑通自动压缩流程，并不能复现出 benckmark 表中的压缩效果。

可以通过以下命令下载人像分割示例数据:

cd PaddleSlim/example/auto_compression/semantic_segmentation
python ./data/download_data.py mini_humanseg
### 下载后的数据位置为 ./data/humanseg/

提示:

• PP-HumanSeg-Lite压缩过程使用的数据集

  • 数据集：AISegment + PP-HumanSeg14K + 内部自建数据集。其中 AISegment 是开源数据集，可从链接处获取；PP-HumanSeg14K 是 PaddleSeg 自建数据集，可从官方渠道获取；内部数据集不对外公开。
  • 示例数据集: 用于快速跑通人像分割的压缩和推理流程, 不能用该数据集复现 benckmark 表中的压缩效果。 下载链接

• PP-Liteseg，HRNet，UNet，Deeplabv3-ResNet50数据集

  • cityscapes: 请从cityscapes官网下载完整数据
  • 示例数据集: cityscapes数据集的一个子集，用于快速跑通压缩和推理流程，不能用该数据集复现 benchmark 表中的压缩效果。下载链接

3.3 准备预测模型

预测模型的格式为：model.pdmodel 和 model.pdiparams两个，带pdmodel的是模型文件，带pdiparams后缀的是权重文件。

注：其他像__model__和__params__分别对应model.pdmodel 和 model.pdiparams文件。

• 如果想快速体验，可直接下载PP-HumanSeg-Lite 的预测模型：

wget https://bj.bcebos.com/v1/paddlemodels/PaddleSlim/analysis/ppseg_lite_portrait_398x224_with_softmax.tar.gz
tar -xzf ppseg_lite_portrait_398x224_with_softmax.tar.gz

也可进入PaddleSeg 中导出所需预测模型。

3.4 自动压缩并产出模型

自动压缩示例通过run.py脚本启动，会使用接口 paddleslim.auto_compression.AutoCompression 对模型进行自动压缩。首先要配置config文件中模型路径、数据集路径、蒸馏、量化、稀疏化和训练等部分的参数，配置完成后便可对模型进行非结构化稀疏、蒸馏和量化、蒸馏。

当只设置训练参数，并在config文件中 Global 配置中传入 deploy_hardware 字段时，将自动搜索压缩策略进行压缩。以骁龙710（SD710）为部署硬件，进行自动压缩的运行命令如下：

# 单卡启动
export CUDA_VISIBLE_DEVICES=0
python run.py --config_path='./configs/pp_humanseg/pp_humanseg_auto.yaml' --save_dir='./save_compressed_model'

# 多卡启动
export CUDA_VISIBLE_DEVICES=0,1
python -m paddle.distributed.launch run.py --config_path='./configs/pp_humanseg/pp_humanseg_auto.yaml' --save_dir='./save_compressed_model'

• 自行配置稀疏参数进行非结构化稀疏和蒸馏训练，配置参数含义详见自动压缩超参文档。具体命令如下所示：

# 单卡启动
export CUDA_VISIBLE_DEVICES=0
python run.py --config_path='./configs/pp_humanseg/pp_humanseg_sparse.yaml' --save_dir='./save_sparse_model'

# 多卡启动
export CUDA_VISIBLE_DEVICES=0,1
python -m paddle.distributed.launch run.py --config_path='./configs/pp_humanseg/pp_humanseg_sparse.yaml' --save_dir='./save_sparse_model'

• 自行配置量化参数进行量化和蒸馏训练，配置参数含义详见自动压缩超参文档。具体命令如下所示：

# 单卡启动
export CUDA_VISIBLE_DEVICES=0
python run.py --config_path='./configs/pp_humanseg/pp_humanseg_qat.yaml' --save_dir='./save_quant_model'

# 多卡启动
export CUDA_VISIBLE_DEVICES=0,1
python -m paddle.distributed.launch run.py --config_path='./configs/pp_humanseg/pp_humanseg_qat.yaml' --save_dir='./save_quant_model'

压缩完成后会在save_dir中产出压缩好的预测模型，可直接预测部署。

4.预测部署

4.1 Paddle Inference 验证性能

量化模型在GPU上可以使用TensorRT进行加速，在CPU上可以使用MKLDNN进行加速。

以下字段用于配置预测参数：

参数名	含义
model_path	inference 模型文件所在目录，该目录下需要有文件 .pdmodel 和 .pdiparams 两个文件
model_filename	inference_model_dir文件夹下的模型文件名称
params_filename	inference_model_dir文件夹下的参数文件名称
dataset	选择数据集的类型，可选：human, cityscape。
dataset_config	数据集配置的config
image_file	待测试单张图片的路径，如果设置image_file，则dataset_config将无效。
device	预测时的设备，可选：CPU, GPU。
use_trt	是否使用 TesorRT 预测引擎，在device为GPU时生效。
use_mkldnn	是否启用MKL-DNN加速库，注意use_mkldnn，在device为CPU时生效。
cpu_threads	CPU预测时，使用CPU线程数量，默认10
precision	预测时精度，可选：fp32, fp16, int8。

• TensorRT预测：

环境配置：如果使用 TesorRT 预测引擎，需安装 WITH_TRT=ON 的Paddle，下载地址：Python预测库

准备好预测模型，并且修改dataset_config中数据集路径为正确的路径后，启动测试：

python paddle_inference_eval.py \
      --model_path=pp_liteseg_qat \
      --dataset='cityscape' \
      --dataset_config=configs/dataset/cityscapes_1024x512_scale1.0.yml \
      --use_trt=True \
      --precision=int8

• MKLDNN预测：

python paddle_inference_eval.py \
      --model_path=pp_liteseg_qat \
      --dataset='cityscape' \
      --dataset_config=configs/dataset/cityscapes_1024x512_scale1.0.yml \
      --device=CPU \
      --use_mkldnn=True \
      --precision=int8 \
      --cpu_threads=10

4.2 Paddle Inference 测试单张图片

利用人像分割测试单张图片：

python paddle_inference_eval.py \
      --model_path=pp_humanseg_qat \
      --dataset='human' \
       --image_file=./data/human_demo.jpg \
      --use_trt=True \
      --precision=int8

原始图片
FP32推理结果
Int8推理结果

4.3 更多部署教程

• Paddle Inference Python部署
• Paddle Inference C++部署
• Paddle Lite部署

5.FAQ