Qualcomm Aimet എഫിഷ്യൻസി ടൂൾകിറ്റ് ഡോക്യുമെൻ്റേഷൻ നിർദ്ദേശങ്ങൾ

KBA-231226181840

1. പരിസ്ഥിതി സജ്ജീകരിക്കുക

1.1 എൻവിഡിയ ഡ്രൈവറും സിയുഡിഎയും ഇൻസ്റ്റാൾ ചെയ്യുക

1.2 അനുബന്ധ പൈത്തൺ ലൈബ്രറി ഇൻസ്റ്റാൾ ചെയ്യുക

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 പിപ്പ് ഇൻസ്റ്റാൾ ചെയ്യുക -ഇൻസ്റ്റോൾ ചെയ്ത ടോർച്ചിൻഫോ
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 ക്ലോൺ എയിമെറ്റ് മോഡൽ മൃഗശാല

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

1.4 Set14 ഡൗൺലോഡ് ചെയ്യുക

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

1.5 ലൈൻ 39 aimet-model-zoo/aimet_zoo_torch/quicksrnet/dataloader/utils.py പരിഷ്ക്കരിക്കുക

മാറ്റം
glob.glob-ലെ img_path-നായി (os.path.join(test_images_dir, "*")):
വരെ
glob.glob-ലെ img_path-നായി (os.path.join(test_images_dir, “*_HR.*”)):

1.6 മൂല്യനിർണ്ണയം നടത്തുക.

# YOURPATH/aimet-model-run-ന് കീഴിൽ പ്രവർത്തിപ്പിക്കുക
# Quicksrnet_small_2x_w8a8-ന്
python3 aimet_zoo_torch/quicksrnet/evaluators/quicksrnet_quanteval.py \
–model-config quicksrnet_small_2x_w8a8 \
–dataset-path ../Set14/image_SRF_4

# Quicksrnet_small_4x_w8a8-ന്
python3 aimet_zoo_torch/quicksrnet/evaluators/quicksrnet_quanteval.py \
–model-config quicksrnet_small_4x_w8a8 \
–dataset-path ../Set14/image_SRF_4

# Quicksrnet_medium_2x_w8a8-ന്
python3 aimet_zoo_torch/quicksrnet/evaluators/quicksrnet_quanteval.py \
–model-config quicksrnet_medium_2x_w8a8 \
–dataset-path ../Set14/image_SRF_4

# Quicksrnet_medium_4x_w8a8-ന്
python3 aimet_zoo_torch/quicksrnet/evaluators/quicksrnet_quanteval.py \
–model-config quicksrnet_medium_4x_w8a8 \
–dataset-path ../Set14/image_SRF_4

എയിമെറ്റ് സിമുലേറ്റഡ് മോഡലിന് നിങ്ങൾക്ക് പിഎസ്എൻആർ മൂല്യം ലഭിക്കുമെന്ന് കരുതുക. QuickSRNet-ൻ്റെ വ്യത്യസ്ത വലുപ്പത്തിനായി നിങ്ങൾക്ക് മോഡൽ കോൺഫിഗറേഷൻ മാറ്റാൻ കഴിയും, ഓപ്ഷൻ underaimet-modelzoo/aimet_zoo_torch/quicksrnet/model/model_cards/ എന്നതാണ്.

2 പാച്ച് ചേർക്കുക

2.1 "ഒഎൻഎൻഎക്സ് സ്റ്റെപ്സ് REVISED.docx-ലേക്ക് കയറ്റുമതി ചെയ്യുക" തുറക്കുക

2.2 ജിറ്റ് കമ്മിറ്റ് ഐഡി ഒഴിവാക്കുക

2.3 സെക്ഷൻ 1 കോഡ്

അവസാന വരിയിൽ (ലൈൻ 1-ന് ശേഷം) മുഴുവൻ 366. കോഡ് ചേർക്കുക aimet-model-zoo/aimet_zoo_torch/quicksrnet/model/models.py

2.4 സെക്ഷൻ 2, 3 കോഡ്

വരി 2 aimet-model-zoo/aimet_zoo_torch/quicksrnet/evaluators/quicksrnet_quanteval.py എന്നതിന് കീഴിൽ മുഴുവൻ 3, 93 കോഡ് ചേർക്കുക

2.5 ലോഡ്_മോഡൽ ഫംഗ്ഷനിലെ പ്രധാന പാരാമീറ്ററുകൾ

മോഡൽ = ലോഡ്_മോഡൽ(MODEL_PATH_INT8,

MODEL_NAME,
MODEL_ARGS.get(MODEL_NAME).get(MODEL_CONFIG),
use_quant_sim_model=ശരി,
encoding_path=ENCODING_PATH,
quantsim_config_path=CONFIG_PATH,
കാലിബ്രേഷൻ_ഡാറ്റ=IMAGES_LR,
use_cuda=ശരി,
മുമ്പ്_ക്വാണ്ടിസേഷൻ=ശരി,
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

QuickSRNet-ൻ്റെ വ്യത്യസ്ത വലുപ്പത്തിനായി വേരിയബിളുകൾ മാറ്റിസ്ഥാപിക്കുക

2.6 മോഡൽ സൈസ് പരിഷ്ക്കരണം

1. aimet-model-zoo/aimet_zoo_torch/quicksrnet/model/model_cards/*.json-ൽ "input_shape"
2. aimet-model-zoo/aimet_zoo_torch/quicksrnet/model/inference.py എന്നതിലെ പ്രവർത്തനത്തിനുള്ളിൽ load_model(...)
3. "ONNX ലേക്ക് കയറ്റുമതി ചെയ്യുക സ്റ്റെപ്പുകൾ REVISED.docx" എന്നതിൽ നിന്നുള്ള ഫംഗ്‌ഷനിലെ പാരാമീറ്റർ export_to_onnx(..., input_height, input_width)

2.7 ONNX മോഡൽ കയറ്റുമതി ചെയ്യുന്നതിന് 1.6 വീണ്ടും റൺ ചെയ്യുക

3. എസ്എൻപിഇയിൽ പരിവർത്തനം ചെയ്യുക

3.1 പരിവർത്തനം ചെയ്യുക

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

3.2 (ഓപ്ഷണൽ) ക്വാണ്ടൈസ്ഡ് DLC മാത്രം എക്സ്ട്രാക്റ്റ് ചെയ്യുക

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

3.3 (പ്രധാനപ്പെട്ടത്) ONNX I/O NCHW എന്ന ക്രമത്തിലാണ്; പരിവർത്തനം ചെയ്ത DLC ക്രമത്തിൽ NHWC ആണ്

പ്രമാണങ്ങൾ / വിഭവങ്ങൾ

Qualcomm Aimet എഫിഷ്യൻസി ടൂൾകിറ്റ് ഡോക്യുമെൻ്റേഷൻ [pdf] നിർദ്ദേശങ്ങൾ quicksrnet_small_2x_w8a8, quicksrnet_small_4x_w8a8, quicksrnet_medium_2x_w8a8, quicksrnet_medium_4x_w8a8, എയ്‌മെറ്റ് എഫിഷ്യൻസി ടൂൾകിറ്റ് ഡോക്യുമെൻ്റേഷൻ, കാര്യക്ഷമത ടൂൾകിറ്റ് ഡോക്യുമെൻ്റേഷൻ, ഡോക്യുമെൻ്റേഷൻ, ഡോക്യുമെൻ്റേഷൻ

റഫറൻസുകൾ

• ഉപയോക്തൃ മാനുവൽ