010-61934861

RestNet是2015年由微软团队提出的，在当时获得分类任务，目标检测，图像分割第一名。该论文的四位作者何恺明、张祥雨、任少卿和孙剑如今在人工智能领域里都是响当当的名字，当时他们都是微软亚研的一员。实验结果显示，残差网络更容易优化，并且加深网络层数有助于提高正确率。在ImageNet上使用152层的残差网络（VGG net的8倍深度，但残差网络复杂度更低）。对这些网络使用集成方法实现了3.75%的错误率。获得了ILSVRC 2015竞赛的第一名。

原文链接：https://blog.csdn.net/lsb2002/article/details/130748991

论文：[《Deep Residual Learning for Image Recognition》]

(https://www.cv-foundation.org/openaccess/content_cvpr_2016/papers/He_Deep_Residual_Learning_CVPR_2016_paper.pdf)

开源模型链接：https://github.com/PaddlePaddle/PaddleClas/blob/231de43cddb4ae0870870eab889c347468d36404/ppcls/arch/backbone/model_zoo/resnext.py

数据集（ImageNet）：http://www.image-net.org/

资源准备

1. 数据集资源下载

   ImageNet是一个不可用于商业目的的数据集，必须通过教育网邮箱注册登录后下载，请前往官方自行下载 ImageNet 2012 val。

2. 模型资源下载

   resnet50.pdparams

   百度网盘： resnet50.pdmodel,resnet50.pdiparams
   

3. 清微github modelzoo仓库下载

   git clone https://github.com/tsingmicro-toolchain/ts.knight-modelzoo.git

Knight环境准备

1. 联系清微智能获取Knight工具链版本包 ReleaseDeliverables/ts.knight-x.x.x.x.tar.gz。下面以ts.knight-2.0.0.4.tar.gz为例演示。

2. 检查docker环境

   默认服务器中已安装docker（版本>=19.03）, 如未安装可参考文档ReleaseDocuments/《TS.Knight-使用指南综述_V1.4.pdf》。

    docker -v

3. 加载镜像

    docker load -i ts.knight-2.0.0.4.tar.gz

4. 启动docker容器

    docker run -v ${localhost_dir}/ts.knight-modelzoo:/ts.knight-modelzoo -it ts.knight:2.0.0.4 /bin/bash

   localhost_dir为宿主机目录。

快速体验

    将下载好的数据放在/ts.knight-modelzoo/pytorch/builtin/cv/classification/resnet50/data/imagenet/images/val，并执行valprep.sh脚本对图

    片进行分类。

    在docker 容器内运行以下命令:

cd /ts.knight-modelzoo/paddlepaddle/builtin/cv/classification/

sh resnet50/scripts/run.sh

模型移植流程

1. 量化

• 模型准备

  如上述"Knight环境准备"章节所述，准备好resnet50权重文件。

• 量化数据准备

  将下载好的数据放在${localhost_dir}/ts.knight-modelzoo/pytorch/builtin/cv/classification/resnet50/data/imagenet/images/val，并执行valprep.sh脚本对图片进行分类。在数据集中选200张图片作为量化校准数据集，通过命令行参数-i 200指定图片数量，-d指定数据集路径。

• 模型转换函数、推理函数准备

  已提供量化依赖的模型转换和推理函数py文件: /ts.knight-modelzoo/paddlepaddle/builtin/cv/classification/resnet50/src/resnet50.py

• 执行量化命令

  在容器内执行如下量化命令，生成量化后的文件 resnet50_quantize.onnx 存放在 -s 指定输出目录。

  Knight --chip TX5368AV200 quant onnx 
  	-m /ts.knight-modelzoo/paddlepaddle/builtin/cv/classification/resnet50/weight/resnet50.pdmodel
  	-w /ts.knight-modelzoo/paddlepaddle/builtin/cv/classification/resnet50/weight/resnet50.pdiparams
  	-f paddle 
  	-uds /ts.knight-modelzoo/paddlepaddle/builtin/cv/classification/resnet50/src/resnet50.py 
  	-if infer_imagenet_benchmark 
  	-s ./tmp/resnet50
  	-d /ts.knight-modelzoo/paddlepaddle/builtin/cv/classification/resnet50/data/imagenet/images/val 
  	-bs 1 -i 200

2. 编译

Knight --chip TX5368AV200 rne-compile --onnx resnet50_quantize.onnx --outpath .

3. 仿真

#准备bin数据
python3 src/make_image_input_onnx.py  --input /ts.knight-modelzoo/pytorch/builtin/cv/classification/resnet50/data/imagenet/images/val/n07749582 --outpath .
#仿真
Knight --chip TX5368AV200 rne-sim --input model_input.bin --weight resnet50_quantize_r.weight --config  resnet50_quantize_r.cfg --outpath .

4. 性能分析

Knight --chip TX5368AV200 rne-profiling --weight resnet50_quantize_r.weight --config  resnet50_quantize_r.cfg --outpath .

5. 仿真库

6. 板端部署

支持芯片情况

版本说明

2023/11/23 第一版

LICENSE

ModelZoo Edge 的 License 具体内容请参见LICENSE文件

免责说明

您明确了解并同意，以上链接中的软件、数据或者模型由第三方提供并负责维护。在以上链接中出现的任何第三方的名称、商标、标识、产品或服务并不构成明示或暗示与该第三方或其软件、数据或模型的相关背书、担保或推荐行为。您进一步了解并同意，使用任何第三方软件、数据或者模型，包括您提供的任何信息或个人数据（不论是有意或无意地），应受相关使用条款、许可协议、隐私政策或其他此类协议的约束。因此，使用链接中的软件、数据或者模型可能导致的所有风险将由您自行承担。