Qualcomm Aimet Efficiency Toolkit Documentation Leiðbeiningar

KBA-231226181840

1. Uppsetning umhverfi

1.1. Settu upp Nvidia bílstjóri og CUDA

1.2. Settu upp tengt Python bókasafn

python3 -m pip uppsetning –uppfærsla – hunsa uppsett pip
python3 -m pip uppsetning – hunsa uppsett gdown
python3 -m pip uppsetning – hunsa uppsett 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 – hunsa uppsett jax
python3 -m pip setja upp – hunsa uppsett ftfy
python3 -m pip install – hunsa uppsett kyndilinfo
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 uppsetning – hunsa-uppsett numpy==1.21.6
python3 -m pip uppsetning – hunsa uppsett psutil

1.3. Klóna aimet-líkan-dýragarðinn

git klón https://github.com/quic/aimet-model-zoo.git
geisladisk aimet-módel-dýragarður
git checkout d09d2b0404d10f71a7640a87e9d5e5257b028802
flytja út PYTHONPATH=${PYTHONPATH}:${PWD}

1.4. Sækja sett 14

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

1.5. Breyta línu 39 aimet-model-zoo/aimet_zoo_torch/quicksrnet/dataloader/utils.py

breyta
fyrir img_path í glob.glob(os.path.join(test_images_dir, “*”)):
til
fyrir img_path í glob.glob(os.path.join(test_images_dir, “*_HR.*”)):

1.6. Keyra mat.

# keyrt undir YOURPATH/aimet-model-run
# Fyrir 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

# Fyrir 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

# Fyrir 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

# Fyrir 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

geri ráð fyrir að þú fáir PSNR-gildið fyrir hermalíkanið. Þú getur breytt módelstillingu fyrir mismunandi stærð QuickSRNet, valkosturinn er underaimet-modelzoo/aimet_zoo_torch/quicksrnet/model/model_cards/.

2 Bæta við plástri

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

2.2. Slepptu git commit auðkenni

2.3. Kafli 1 kóða

Bættu við heilum 1. kóða undir síðustu línu (á eftir línu 366) aimet-model-zoo/aimet_zoo_torch/quicksrnet/model/models.py

2.4. Hluti 2 og 3 kóða

Bættu við heilum 2, 3 kóða undir línu 93 aimet-model-zoo/aimet_zoo_torch/quicksrnet/evaluators/quicksrnet_quanteval.py

2.5. Lykilfæribreytur í Function load_model

módel = load_model(MODEL_PATH_INT8,

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

Vinsamlegast skiptu um breytur fyrir mismunandi stærð QuickSRNet

2.6 Breyting á gerð stærðar

1. „input_shape“ í aimet-model-zoo/aimet_zoo_torch/quicksrnet/model/model_cards/*.json
2. Inni í aðgerðinni load_model(…) í aimet-model-zoo/aimet_zoo_torch/quicksrnet/model/inference.py
3. Færibreyta í fallinu export_to_onnx(…, input_height, input_width) frá „Export to ONNX Steps REVISED.docx“

2.7 Endurkeyrðu 1.6 aftur til að flytja út ONNX líkan

3. Umbreyttu í SNPE

3.1. Umbreyta

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

3.2. (Valfrjálst) Dragðu aðeins út magnbundið DLC

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

3.3. (MIKILVÆGT) ONNX I/O er í röð NCHW; Breytti DLC er í röð NHWC

Skjöl / auðlindir

Qualcomm Aimet Efficiency Toolkit Documentation [pdfLeiðbeiningar quicksrnet_small_2x_w8a8, quicksrnet_small_4x_w8a8, quicksrnet_medium_2x_w8a8, quicksrnet_medium_4x_w8a8, Aimet Efficiency Toolkit Documentation, Efficiency Toolkit Documentation, Toolkit Documentation, Documentation

Heimildir

• Notendahandbók