Pokyny k dokumentaci sady nástrojů Qualcomm Aimet Efficiency Toolkit

KBA-231226181840

1. Nastavte Prostředí

1.1. Nainstalujte ovladač Nvidia a CUDA

1.2. Nainstalujte související knihovnu Pythonu

python3 -m pip install –upgrade –ignore-installed pip
python3 -m pip install –ignore-installed gdown
python3 -m pip install –ignore-installed opencv-python
python3 -m pip install –ignore-installed torch==1.9.1+cu111 torchvision==0.10.1+cu111 torchaudio==0.9.1 -f https://download.pytorch.org/whl/torch_stable.html
python3 -m pip install –ignore-installed jax
python3 -m pip install –ignore-installed ftfy
python3 -m pip install –ignore-installed torchinfo
python3 -m pip install –ignore-installed https://github.com/quic/aimet/releases/download/1.25.0/AimetCommon-torch_gpu_1.25.0-cp38-cp38-linux_x86_64.whl
python3 -m pip install –ignore-installed https://github.com/quic/aimet/releases/download/1.25.0/AimetTorch-torch_gpu_1.25.0-cp38-cp38-linux_x86_64.whl
python3 -m pip install –ignore-installed numpy==1.21.6
python3 -m pip install –ignore-installed psutil

1.3. Klonový cíl-model-zoo

git klon https://github.com/quic/aimet-model-zoo.git
cd aimet-model-zoo
git checkout d09d2b0404d10f71a7640a87e9d5e5257b028802
exportovat PYTHONPATH=${PYTHONPATH}:${PWD}

1.4. Stáhněte si sadu 14

wget https://uofi.box.com/shared/static/igsnfieh4lz68l926l8xbklwsnnk8we9.zip
unzip igsnfieh4lz68l926l8xbklwsnnk8we9.zip

1.5. Upravit řádek 39 aimet-model-zoo/aimet_zoo_torch/quicksrnet/dataloader/utils.py

přeměna
pro img_path v glob.glob(os.path.join(test_images_dir, “*”)):
na
pro img_path v glob.glob(os.path.join(test_images_dir, “*_HR.*”)):

1.6. Spustit vyhodnocení.

# spustit pod YOURPATH/aimet-model-run
# Pro quicksrnet_small_2x_w8a8
python3 aimet_zoo_torch/quicksrnet/evaluators/quicksrnet_quanteval.py \
–model-config quicksrnet_small_2x_w8a8 \
–dataset-path ../Set14/image_SRF_4

# Pro quicksrnet_small_4x_w8a8
python3 aimet_zoo_torch/quicksrnet/evaluators/quicksrnet_quanteval.py \
–model-config quicksrnet_small_4x_w8a8 \
–dataset-path ../Set14/image_SRF_4

# Pro quicksrnet_medium_2x_w8a8
python3 aimet_zoo_torch/quicksrnet/evaluators/quicksrnet_quanteval.py \
–model-config quicksrnet_medium_2x_w8a8 \
–dataset-path ../Set14/image_SRF_4

# Pro quicksrnet_medium_4x_w8a8
python3 aimet_zoo_torch/quicksrnet/evaluators/quicksrnet_quanteval.py \
–model-config quicksrnet_medium_4x_w8a8 \
–dataset-path ../Set14/image_SRF_4

předpokládejme, že získáte hodnotu PSNR pro simulovaný model. Můžete změnit konfiguraci modelu pro jinou velikost QuickSRNet, možnost je underaimet-modelzoo/aimet_zoo_torch/quicksrnet/model/model_cards/.

2 Přidat opravu

2.1. Otevřete „Export to ONNX Steps REVISED.docx“

2.2. Přeskočit git commit id

2.3. Oddíl 1 zákoníku

Přidejte celý 1. kód pod poslední řádek (za řádek 366) aimet-model-zoo/aimet_zoo_torch/quicksrnet/model/models.py

2.4. § 2 a 3 zákoníku

Přidejte celý kód 2, 3 pod řádek 93 aimet-model-zoo/aimet_zoo_torch/quicksrnet/evaluators/quicksrnet_quanteval.py

2.5. Klíčové parametry ve funkci load_model

model = load_model(MODEL_PATH_INT8,

MODEL_NAME,
MODEL_ARGS.get(MODEL_NAME).get(MODEL_CONFIG),
use_quant_sim_model=Pravda,
encoding_path=ENCODING_PATH,
quantsim_config_path=CONFIG_PATH,
calibration_data=IMAGES_LR,
use_cuda=Pravda,
before_quantization=Pravda,
convert_to_dcr=True)

MODEL_PATH_INT8 = aimet_zoo_torch/quicksrnet/model/weights/quicksrnet_small_2x_w8a8/pre_opt_weights
MODEL_NAME = QuickSRNetSmall
MODEL_ARGS.get(MODEL_NAME).get(MODEL_CONFIG) = {'scaling_factor': 2}
ENCODING_PATH = aimet_zoo_torch/quicksrnet/model/weights/quicksrnet_small_2x_w8a8/adaround_encodings
CONFIG_PATH = aimet_zoo_torch/quicksrnet/model/weights/quicksrnet_small_2x_w8a8/aimet_config

Nahraďte prosím proměnné pro jinou velikost QuickSRNet

2.6 Úprava velikosti modelu

1. „input_shape“ v aimet-model-zoo/aimet_zoo_torch/quicksrnet/model/model_cards/*.json
2. Uvnitř funkce load_model(…) v aimet-model-zoo/aimet_zoo_torch/quicksrnet/model/inference.py
3. Parametr uvnitř funkce export_to_onnx(…, input_height, input_width) z “Export to ONNX Steps REVISED.docx”

2.7 Znovu spusťte 1.6 pro export modelu ONNX

3. Převést v SNPE

3.1. Konvertovat

${SNPE_ROOT}/bin/x86_64-linux-clang/snpe-onnx-to-dlc \
–vstupní_network model.onnx \
–quantization_overrides ./model.encodings

3.2. (Volitelné) Extrahujte pouze kvantované DLC

(volitelné) snpe-dlc-quant –input_dlc model.dlc –float_fallback –override_params

3.3. (DŮLEŽITÉ) ONNX I/O je v pořadí NCHW; Převedené DLC je v pořadí NHWC

Dokumenty / zdroje

Dokumentace sady nástrojů Qualcomm Aimet Efficiency Toolkit [pdfPokyny quicksrnet_small_2x_w8a8, quicksrnet_small_4x_w8a8, quicksrnet_medium_2x_w8a8, quicksrnet_medium_4x_w8a8, dokumentace sady nástrojů Aimet Efficiency, dokumentace sady nástrojů Efficiency, dokumentace sady nástrojů, dokumentace

Reference

• Uživatelská příručka