當(dāng)您在板端驗(yàn)證.bin或在python端評測quantized.onnx發(fā)現(xiàn)精度不及預(yù)期時(shí)（精度損失超過4%），可參照本文第二章所述步驟排查問題。若精度損失較小，則可參考本文第三章嘗試精度調(diào)優(yōu)。

在開始定位模型精度問題之前，我們建議您可以先瀏覽一下模型轉(zhuǎn)換的內(nèi)部過程解讀，這將有助于您理解并排查數(shù)據(jù)和yaml文件準(zhǔn)備過程中的問題。

1 內(nèi)部過程詳解

模型轉(zhuǎn)換完成浮點(diǎn)模型到地平線混合異構(gòu)模型的轉(zhuǎn)換。為了使得這個(gè)異構(gòu)模型能快速高效地在嵌入式端運(yùn)行，模型轉(zhuǎn)換重點(diǎn)在解決 輸入數(shù)據(jù)處理 和 模型優(yōu)化編譯 兩個(gè)問題。

1.1 輸入數(shù)據(jù)處理

輸入數(shù)據(jù)處理方面我們?yōu)槟Ｐ筒迦肓祟A(yù)處理節(jié)點(diǎn)，幫助實(shí)現(xiàn)硬件通路數(shù)據(jù)和模型輸入數(shù)據(jù)的轉(zhuǎn)換對齊。因?yàn)榈仄骄€的邊緣AI計(jì)算平臺會為某些特定類型的輸入通路提供硬件級的支撐方案， 但是這些方案的輸出不一定符合模型輸入的要求。 例如視頻通路方面就有視頻處理子系統(tǒng)，為采集提供圖像裁剪、縮放和其他圖像質(zhì)量優(yōu)化功能，這些子系統(tǒng)的輸出往往是yuv420格式圖像， 而我們的算法模型往往是基于bgr/rgb等一般常用圖像格式訓(xùn)練得到的。為減少客戶板端部署時(shí)的工作量，我們將幾種常見的圖像格式轉(zhuǎn)換以及常用的圖像標(biāo)準(zhǔn)化操作固化進(jìn)了模型當(dāng)中，其表現(xiàn)為模型input節(jié)點(diǎn)之后插入了預(yù)處理節(jié)點(diǎn)HzPreprocess（您可以使用開源工具 Netron 觀察轉(zhuǎn)換過程中的中間產(chǎn)物）。
轉(zhuǎn)換過程中，工具會根據(jù)yaml文件中 input_type_rt 和 input_type_train 指定的數(shù)據(jù)格式自動(dòng)向HzPreprocess節(jié)點(diǎn)中添加數(shù)據(jù)格式轉(zhuǎn)換的操作。根據(jù)實(shí)際生產(chǎn)經(jīng)驗(yàn)， 并不是任意type組合都是需要的，為避免誤用，我們只開放了一些固定的type組合如下表所示。

表格中第一行是 input_type_rt 中支持的類型，第一列是 input_type_train 支持的類型， 其中的 Y/N 表示是否支持相應(yīng)的 input_type_rt 到 input_type_train 的轉(zhuǎn)換。 在.bin模型部署階段，您只需要關(guān)注input_type_rt的數(shù)據(jù)格式。 以下是對 input_type_rt每種格式的說明：

(1) rgb、bgr和gray都是比較常見的圖像數(shù)據(jù)，注意每個(gè)數(shù)值都采用UINT8表示。

(2) yuv444是一種常見的圖像格式，注意每個(gè)數(shù)值都采用UINT8表示。

(3) nv12是常見的yuv420圖像數(shù)據(jù)，每個(gè)數(shù)值都采用UINT8表示。

(4) nv12有個(gè)比較特別的情況是 input_space_and_range 設(shè)置 bt601_video （配置參數(shù)介紹可參考《horizon_ai_toolchain_user_guide》3.4. 轉(zhuǎn)換模型 章節(jié)），較于常規(guī)nv12情況，它的數(shù)值范圍由[0,255]變成了[16,235]， 每個(gè)數(shù)值仍然采用UINT8表示。

(5) featuremap適用于以上列舉格式不滿足您需求的情況，此type只要求您的數(shù)據(jù)是四維的，每個(gè)數(shù)值采用float32表示。 例如雷達(dá)和語音等模型處理就常用這個(gè)格式。
圖像數(shù)據(jù)標(biāo)準(zhǔn)化操作則是根據(jù)yaml文件中的norm_type、mean_value、scale_value參數(shù)，判斷是否向HzPreprocess節(jié)點(diǎn)中添加mean/scale操作。

1.2 模型優(yōu)化編譯

模型優(yōu)化編譯方面則完成了模型解析、模型優(yōu)化、模型校準(zhǔn)與量化、模型編譯等幾個(gè)重要過程。其內(nèi)部工作過程及輸入數(shù)據(jù)準(zhǔn)備示例如下圖所示。
暫時(shí)無法在文檔外展示此內(nèi)容

*最右邊一列為各階段圖像輸入類模型預(yù)處理示例，主要差異在于normalize操作以及圖像格式的轉(zhuǎn)換。若為featuremap輸入，則預(yù)處理不存在上述差異。

模型解析階段 對于Caffe浮點(diǎn)模型會完成到ONNX浮點(diǎn)模型的轉(zhuǎn)換。 在原始浮點(diǎn)模型上會根據(jù)轉(zhuǎn)換配置中的配置參數(shù)決定是否加入HzPreprocess節(jié)點(diǎn)，此階段產(chǎn)出original_float_model.onnx。 這個(gè)ONNX模型計(jì)算精度仍然是float32，和原始浮點(diǎn)模型輸出結(jié)果一致。
理想狀態(tài)下，這個(gè)HzPreprocess節(jié)點(diǎn)應(yīng)該完成 input_type_rt 到 input_type_train 的完整轉(zhuǎn)換， 實(shí)際情況是整個(gè)type轉(zhuǎn)換過程會配合地平線AI芯片硬件完成，ONNX模型里面并沒有包含硬件轉(zhuǎn)換的部分。 因此ONNX的真實(shí)輸入類型會使用一種中間類型，這種中間類型就是硬件對 input_type_rt 的處理結(jié)果類型， 數(shù)據(jù)layout(NCHW/NHWC)會保持和原始浮點(diǎn)模型的輸入layout一致。 每種 input_type_rt 都有特定的對應(yīng)中間類型，如下表：

表格中第一行是 input_type_rt 指定的數(shù)據(jù)類型，第二行是特定 input_type_rt 對應(yīng)的中間類型， 這個(gè)中間類型就是original_float_model.onnx的輸入類型。每個(gè)類型解釋如下：

(1) yuv444_128/RGB_128/BGR_128/GRAY_128為對應(yīng)input_type_rt減去128的結(jié)果。

(2) featuremap 是一個(gè)四維張量數(shù)據(jù)，每個(gè)數(shù)值采用float32表示。

模型優(yōu)化階段 實(shí)現(xiàn)模型的一些適用于地平線平臺的算子優(yōu)化策略，例如BN融合到Conv等。 此階段的產(chǎn)出是optimized_float_model.onnx，這個(gè)ONNX模型的計(jì)算精度仍然是float32，經(jīng)過優(yōu)化后不會影響模型的計(jì)算結(jié)果。 模型的輸入數(shù)據(jù)要求還是與前面的original_float_model一致。

模型校準(zhǔn)階段 會使用您提供的校準(zhǔn)數(shù)據(jù)來計(jì)算必要的量化閾值參數(shù)，這些參數(shù)會直接輸入到量化階段，不會產(chǎn)生新的模型狀態(tài)。

模型量化階段 使用校準(zhǔn)得到的參數(shù)完成模型量化，此階段的產(chǎn)出是quantized_model.onnx。 這個(gè)模型的輸入計(jì)算精度已經(jīng)是int8，使用這個(gè)模型可以評估到模型量化帶來的精度損失情況。 這個(gè)模型要求輸入的基本數(shù)據(jù)格式仍然與 original_float_model 一樣，不過layout和數(shù)值表示已經(jīng)發(fā)生了變化， 整體較于 original_float_model 輸入的變化情況描述如下：
(1) 數(shù)據(jù)layout均使用NHWC。

(2) 當(dāng) input_type_rt 的取值為非 featuremap 時(shí)，則輸入的數(shù)據(jù)類型均使用int8， 反之， 當(dāng) input_type_rt 取值為 featuremap 時(shí)，則輸入的數(shù)據(jù)類型為float32。

模型編譯階段 會使用地平線模型編譯器，將量化模型轉(zhuǎn)換為地平線平臺支持的計(jì)算指令和數(shù)據(jù)， 這個(gè)階段的產(chǎn)出是***.bin模型，這個(gè)bin模型是后續(xù)將在地平線邊緣嵌入式平臺運(yùn)行的模型，也就是模型轉(zhuǎn)換的最終產(chǎn)出結(jié)果。

2 精度問題定位建議流程

精度問題定位流程主要包括如下三個(gè)部分：

1）驗(yàn)證Caffe/Onnx的有效性，確保其單張推理結(jié)果與原始浮點(diǎn)模型保持一致；
2）通過對比original_float_model.onnx與原始浮點(diǎn)模型的單張推理結(jié)果，確保PC端推理代碼的正確性；
3）通過比對quantized_model.onnx與.bin的單張推理結(jié)果，確保板端代碼與PC端代碼的一致性，以及模型集成（將quantized_model.onnx編譯為.bin）的過程沒有引入誤差。

2.1 驗(yàn)證原始Caffe/Onnx模型有效性

這一步為了排查拿錯(cuò)模型，或是導(dǎo)出onnx有誤等誤操作。onnx模型的正確性驗(yàn)證，可參考如下代碼：

from horizon_nn import horizon_onnx
import horizon_nn.horizon_onnxruntime as rt
import numpy as np
import cv2

def preprocess(input_name):
# BGR->RGB、Resize、CenterCrop···
# HWC->CHW
# normalization
return norm_data

def main():
# 加載模型文件
onnx_model = horizon_onnx.load(MODEL_PATH)
# 創(chuàng)建推理Session
sess = rt.InferenceSession(onnx_model.SerializeToString())
# 獲取輸入&輸出節(jié)點(diǎn)名稱
input_names = [input.name for input in sess.get_inputs()]
output_names = [output.name for output in sess.get_outputs()]
# 準(zhǔn)備模型輸入數(shù)據(jù)
feed_dict = dict()
for input_name in input_names:
feed_dict[input_name] = preprocess(input_name)
# 開始模型推理，推理的返回值是一個(gè)list，依次與output_names指定名稱一一對應(yīng)
result = sess.run(output_names, feed_dict)
# 后處理
postprocess(result)

if __name__ == '__main__':
main()

2.2 驗(yàn)證PC端推理代碼的正確性

轉(zhuǎn)換完成后，將在model_output文件夾下生成四個(gè)模型，其中*original_float_model.onnx以及*optimized_float_model.onnx的精度是與原始浮點(diǎn)模型完全一致的。但是由于您通過配置yaml文件中的 input_type_rt 以及norm_type等參數(shù)，將圖像格式轉(zhuǎn)換以及normalize這兩項(xiàng)常用的預(yù)處理操作固化進(jìn)了模型中，因此預(yù)處理代碼會與訓(xùn)練時(shí)有所差異，具體差異及注意事項(xiàng)可參考前文1.2節(jié)。若發(fā)現(xiàn)推理結(jié)果與浮點(diǎn)模型不一致，則需再次確認(rèn)預(yù)處理代碼的正確性。常見錯(cuò)誤如下：

(1)已在yaml文件中配置 norm_type（scale/mean），前處理仍做了重復(fù)的normalize操作

(2)讀圖方式與浮點(diǎn)訓(xùn)練時(shí)不一致。skimage、OpenCV、PIL讀圖差異如下表所示

確保PC端代碼的正確性之后，建議您可以測試一下*quantized_model.onnx的精度或單張推理結(jié)果，確認(rèn)量化后精度滿足您的預(yù)期，再至板端完成應(yīng)用開發(fā)。若精度不滿足預(yù)期，則可參照第三章內(nèi)容嘗試精度調(diào)優(yōu)。

2.3 驗(yàn)證.bin模型的正確性

通常來說，將*quantized_model.onnx編譯生成*.bin的過程不會引入誤差，但事有萬一，我們提供了 hb_model_verifier 工具幫助您驗(yàn)證定點(diǎn)模型和runtime模型的一致性。具體使用方式因OE版本不同而有所差異，您可以通過 hb_model_verifier --help 查看幫助信息，或查閱《hb_mapper_tools_guide》文檔了解該工具的使用方式。驗(yàn)證通過，終端將打印 Onnx and Arm result Strict check PASSED 提示信息。若驗(yàn)證失敗，請將模型及OE版本號提供給地平線技術(shù)支持人員分析。
但是目前該工具只支持單輸入模型，若為多輸入模型則可使用板端 hrt_model_exec infer工具獲取模型原始輸出。為保證輸入數(shù)據(jù)的一致性，建議您將python端預(yù)處理好的數(shù)據(jù)通過 np.tofile() 函數(shù)保存為二進(jìn)制文件，并通過 hrt_model_exec infer 工具的 --input_file 參數(shù)指定輸入數(shù)據(jù)（多個(gè)輸入文件請以“,”隔開），具體使用方式可通過在板端執(zhí)行 hrt_model_exec，查看幫助信息。若使用該工具得到的輸出結(jié)果與python端不一致，請將模型及OE版本號提供給地平線技術(shù)支持人員分析。
*目前 hrt_model_exec infer 工具不支持自動(dòng)完成featuremap輸入的 padding 操作（該操作與硬件對齊規(guī)則相關(guān)，具體介紹請參考后文2.4節(jié)），您需要在PC端預(yù)處理時(shí)完成該操作，參考代碼如下：
pad_image = np.zeros((target_h, target_w, 3), dtype=np.int)
pad_image[:image_h, :image_w, :] = image
* target_h, target_w可通過hrt_model_exec model_info工具查看輸入節(jié)點(diǎn)的aligned shape屬性獲取

2.4 驗(yàn)證板端推理代碼的正確性

確認(rèn)前面所有環(huán)節(jié)都正常之后，最后我們就只需要排查板端推理代碼是否有誤了。常見問題有如下幾項(xiàng)：

(1)PC端與板端計(jì)算環(huán)境的差異（例如opencv讀圖差異、浮點(diǎn)計(jì)算精度不同等）；

(2)輸入數(shù)據(jù)未對齊至轉(zhuǎn)換配置的input_type_rt和input_layout_rt；

(3)輸入數(shù)據(jù)不滿足對齊規(guī)則，且未修改InputTensor的aligned_shape屬性（僅針對圖像輸入）。（BPU對齊規(guī)則可參考下圖解析）

其中，featuremap輸入時(shí)較為特殊，由于預(yù)測庫不會對featuremap數(shù)據(jù)做padding操作，因此當(dāng)您的模型輸入為featuremap時(shí)，需在預(yù)處理時(shí)完成數(shù)據(jù)對齊，參考代碼如下：

if (input_w == out_w) {
memcpy(out, input, static_cast(input_h * input_w) * data_size);
} else {
for (int i = 0; i < input_h; i++) {
memcpy(out, input, static_cast(input_w) * data_size);
input += input_w;
out += out_w;
}
}

3 精度調(diào)優(yōu)

3.1 后量化調(diào)優(yōu)

對于后量化的精度誤差，我們一般會通過以下 3 種方式進(jìn)行優(yōu)化，且均需要在 yaml 文件配置后重新轉(zhuǎn)換模型：

1.調(diào)整校準(zhǔn)方式

(1)calibration_type 優(yōu)先嘗試 default，除此之外還可以嘗試 kl/max；

(2)將 calibration_type 配置為 max，并配置 max_percentile 為不同的分位數(shù)，我們推薦您優(yōu)先嘗試 0.99999、0.99995、0.9999、0.9995、0.999；

(3)嘗試啟用 per_channel，可與任意校準(zhǔn)方式配合使用。

2.調(diào)準(zhǔn)校準(zhǔn)數(shù)據(jù)集

(1)可以嘗試適當(dāng)增加或減少數(shù)據(jù)量；

(2)嘗試換一批校準(zhǔn)數(shù)據(jù)。

3.將部分尾部算子回退到 CPU 高精度計(jì)算

參考依據(jù)為轉(zhuǎn)換日志中模型每一層輸出的余弦相似度，若您觀察到有某一層余弦相似度異常，可嘗試在yaml文件中通過 run_on_cpu 參數(shù)配置，將該層指定到cpu進(jìn)行高精度計(jì)算。一般我們僅會嘗試將模型輸出層 1～2 個(gè)算子回退至 CPU，太多的CPU算子會較大程度影響模型最終性能。

3.2 Pytorch QAT訓(xùn)練

如果您的模型經(jīng)過以上調(diào)優(yōu)手段還是無法解決量化精度問題，那么該模型可能確實(shí)是 后量化（post training quantization，PTQ）方案中的 corner case，只能嘗試 量化感知訓(xùn)練（quantization aware training，QAT）。
目前很多開源訓(xùn)練框架均已支持 QAT 訓(xùn)練能力，例如 Pytorch 的 eager-mode 和 fx-graph方案，tf-lite的量化方案等等。相比于后量化，QAT 訓(xùn)練在浮點(diǎn)模型訓(xùn)練收斂后進(jìn)行 finetune，其精度損失由算法同學(xué)自行訓(xùn)練優(yōu)化，會更加可控，且開源社區(qū)中也有非常多的幫助資料。但 QAT 方案因?yàn)橛?xùn)練成本和上手難度相對更高，所以我們更建議您在后量化實(shí)在無法解決精度問題時(shí)再選擇此方案。
地平線目前僅支持編譯 Pytorch 框架的 QAT 模型，具體示例請參考用戶手冊《horizon_ai_toolchain_user_guide》3.6.3.4 QAT模型量化編譯。

本文轉(zhuǎn)載自地平線開發(fā)者社區(qū)：https://developer.horizon.ai
原作者：顏值即正義