# CenterNet.pytorch

**Repository Path**: Btreee/CenterNet.pytorch

## Basic Information

- **Project Name**: CenterNet.pytorch
- **Description**: No description available
- **Primary Language**: Unknown
- **License**: Apache-2.0
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 0
- **Created**: 2021-08-16
- **Last Updated**: 2021-08-16

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

#  CenterNet模型PyTorch离线推理指导

## 1 环境准备

1.安装必要的依赖，测试环境可能已经安装其中的一些不同版本的库了，故手动测试时不推荐使用该命令安装

```
pip3.7 install -r requirements.txt  
```

2.获取，修改与安装开源模型代码

```
cd CenterNet
git clone https://github.com/xingyizhou/CenterNet
cd CenterNet
patch p1 < dcn.patch
cd /src/lib/external
make
cd ../model/network/DCNv2
bash make.sh
```

另外，需要单独修改python环境中的utils.py文件

```
cd /usr/local/python3.7.5/lib/python3.7/site-packages/torch/onnx
patch p1 < environment.patch
```

如果开源模型代码仓没有安装脚本，可以通过sys.path.append(r"./reid-strong-baseline")添加搜索路径，然后在pth2onnx脚本中就可以引用模型代码的函数或类~~

3.获取权重文件

[ctdet_coco_dla_2x.pth](https://drive.google.com/open?id=1pl_-ael8wERdUREEnaIfqOV_VF2bEVRT)，放在？

4.数据集
获取COCO数据集：获取[2017 Val images](http://images.cocodataset.org/zips/val2017.zip)以及[2017 Train/Val annotations](http://images.cocodataset.org/annotations/annotations_trainval2017.zip)，解压后放在coco文件夹中

5.[获取benchmark工具](https://support.huawei.com/enterprise/zh/ascend-computing/cann-pid-251168373/software/)
将benchmark.x86_64放到当前目录

## 2 离线推理

CenterNet模型pth2onnx脚本由于算子暂不支持cpu，故只能在gpu运行，故将pth2om.sh拆为pth2onnx.sh和onnx2om.sh

在gpu上：

```
bash test/pth2onnx.sh
```

并将生成的CenterNet.onnx移到310上，路径为：{当前目录}/test

在310上：

```
bash test/onnx2om.sh  
bash test/eval_acc_perf.sh --datasets_path=/root/datasets  
```

**评测结果：**

| 模型          | 官网pth精度 | 310离线推理精度 | 基准性能 | 310性能   |
| ------------- | ----------- | --------------- | -------- | --------- |
| CenterNet bs1 | AP : 36.6   | AP : 36.4       | 23.25fps | 18.654fps |

备注：

原官网pth精度 AP : 37.4 是在线推理时keep_res(保持分辨率)的结果，但由于离线推理需要固定shape，故需要去掉keep_res(保持分辨率)。去掉keep_res(保持分辨率)后，跑在线推理精度评估得到  AP : 36.6 ，故以 AP : 36.6 作为精度基准

#加上TEST.NECK_FEAT "('before')" TEST.FEAT_NORM "('no')"导出的onnx可以进行离线推理

#不加TEST.NECK_FEAT "('before')" TEST.FEAT_NORM "('no')"导出的onnx转换的om精度与官网精度一致

onnx因包含npu自定义算子dcnv2而不能推理，且原模型中暂未实现batch 16的在线推理精度和性能测试。