模型描述

MobileNetV2 是一个简单的网络架构，允许构建一系列高效的移动端模型。它支持内存高效的推理。MobileNetV2 通常用于图像分类任务，也可用于目标检测和图像分割任务。所有任务都展示了有竞争力的结果。

该模型命名为 mobilenet_v2_depth_size，例如 mobilenet_v2_1.4_224，其中 1.4 是深度乘数，224 是模型训练时输入图像的分辨率。

预期用途与限制

您可以使用原始模型进行图像分类。请查看 模型中心 以寻找适合您感兴趣的任务的微调版本。

如何使用

安装

1. 按照 Ryzen AI 安装指南 为 Ryzen AI 准备环境。

2. 运行以下脚本安装此模型的依赖项。

   pip install -r requirements.txt 
   

测试与评估

• 对单张图像进行推理（图像分类）：

  import sys
  import onnxruntime
  import torch
  import torchvision.transforms as transforms 
  from PIL import Image
  
  image_path = sys.argv[1]
  onnx_model = sys.argv[2]
  
  normalize = transforms.Normalize(
    mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225])
  img_transformer = transforms.Compose([
                  transforms.Resize(256),
                  transforms.CenterCrop(224),
                  transforms.ToTensor(),  
                  normalize])
  img_tensor = img_transformer(Image.open(image_path)).unsqueeze(0)
  img_tensor = torch.permute(img_tensor, (0, 2, 3, 1))
  so = onnxruntime.SessionOptions()
  ort_session = onnxruntime.InferenceSession(
          onnx_model, so, 
          providers=['CPUExecutionProvider'], 
          provider_options=None)
  input = img_tensor.numpy()
  ort_input = {ort_session.get_inputs()[0].name: input}
  
  output = ort_session.run(None, ort_input)
  top5_probabilities, top5_class_indices = torch.topk(torch.nn.functional.softmax(torch.tensor(output[0])), k=5)
  

• 使用 eval_onnx.py 评估 ImageNet 验证数据集（50,000 张图像）。

  • 在 CPU 上测试量化模型的准确率。

    python eval_onnx.py  --onnx_model=./mobilenetv2_int8.onnx --data_dir=./{DATA_PATH}
    

  • 在 IPU 上测试量化模型的准确率。

    python eval_onnx.py  --onnx_model=./mobilenetv2_int8.onnx --data_dir=./{DATA_PATH} --ipu --provider_config Path\To\vaip_config.json
    

  • 用户可以使用 ryzen-ai-sw-1.0.zip 文件中 voe-4.0-win_amd64 文件夹里的 vaip_config.json。

​ DATA_PATH：ImageNet 数据集的路径，其中包含 validation 文件夹。

性能

数据集：ImageNet 验证数据集（50,000 张图像）。

引用

@article{MobileNet v2,
  author       = {Mark Sandler and
                  Andrew G. Howard and
                  Menglong Zhu and
                  Andrey Zhmoginov and
                  Liang{-}Chieh Chen},
  title        = {MobileNetV2: Inverted Residuals and Linear Bottlenecks},
  year         = {2018},
  url          = {http://arxiv.org/abs/1801.04381},
}