Qualcomm Aimet Efficiency Toolkit ஆவணப்படுத்தல் வழிமுறைகள்

KBA-231226181840

1. அமைவு சூழல்

1.1 என்விடியா டிரைவர் மற்றும் CUDA ஐ நிறுவவும்

1.2 தொடர்புடைய பைதான் நூலகத்தை நிறுவவும்

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 pip install –ignore-installed torchinfo
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 குளோன் எய்மெட்-மாடல்-ஜூ

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

1.4 Set14ஐப் பதிவிறக்கவும்

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

1.5 வரி 39 aimet-model-zoo/aimet_zoo_torch/quicksrnet/dataloader/utils.py ஐ மாற்றவும்

மாற்றம்
glob.glob இல் img_path க்கு(os.path.join(test_images_dir, "*")):
செய்ய
glob.glob இல் img_path க்கு(os.path.join(test_images_dir, “*_HR.*”)):

1.6 மதிப்பீட்டை இயக்கவும்.

# YOURPATH/aimet-model-ரன் கீழ் இயக்கவும்
# Quicksrnet_small_2x_w8a8 க்கு
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 க்கு
python3 aimet_zoo_torch/quicksrnet/evaluators/quicksrnet_quanteval.py \
–model-config quicksrnet_small_4x_w8a8 \
–dataset-path ../Set14/image_SRF_4

# Quicksrnet_medium_2x_w8a8க்கு
python3 aimet_zoo_torch/quicksrnet/evaluators/quicksrnet_quanteval.py \
–model-config quicksrnet_medium_2x_w8a8 \
–dataset-path ../Set14/image_SRF_4

# Quicksrnet_medium_4x_w8a8க்கு
python3 aimet_zoo_torch/quicksrnet/evaluators/quicksrnet_quanteval.py \
–model-config quicksrnet_medium_4x_w8a8 \
–dataset-path ../Set14/image_SRF_4

நீங்கள் உருவகப்படுத்தப்பட்ட மாதிரிக்கான PSNR மதிப்பைப் பெறுவீர்கள் என்று வைத்துக்கொள்வோம். QuickSRNet இன் வெவ்வேறு அளவுகளுக்கு நீங்கள் மாதிரி-கட்டமைப்பை மாற்றலாம், விருப்பம் underaimet-modelzoo/aimet_zoo_torch/quicksrnet/model/model_cards/ ஆகும்.

2 பேட்ச் சேர்க்கவும்

2.1 “ONNX படிகள் REVISED.docx க்கு ஏற்றுமதி செய்” என்பதைத் திறக்கவும்

2.2 ஜிட் கமிட் ஐடியைத் தவிர்க்கவும்

2.3 பிரிவு 1 குறியீடு

முழு 1. குறியீட்டை கடைசி வரியின் கீழ் (வரி 366 க்குப் பின்) aimet-model-zoo/aimet_zoo_torch/quicksrnet/model/models.py சேர்க்கவும்

2.4 பிரிவு 2 மற்றும் 3 குறியீடு

வரி 2 aimet-model-zoo/aimet_zoo_torch/quicksrnet/evaluators/quicksrnet_quanteval.py கீழ் முழு 3, 93 குறியீட்டைச் சேர்க்கவும்

2.5 செயல்பாடு load_model இல் முக்கிய அளவுருக்கள்

மாதிரி = load_model(MODEL_PATH_INT8,

MODEL_NAME,
MODEL_ARGS.get(MODEL_NAME).get(MODEL_CONFIG),
use_quant_sim_model=உண்மை,
encoding_path=ENCODING_PATH,
quantsim_config_path=CONFIG_PATH,
calibration_data=IMAGES_LR,
use_cuda=உண்மை,
முன்_குவாண்டிசேஷன்=உண்மை,
convert_to_dcr=உண்மை)

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 இன் வெவ்வேறு அளவுக்கான மாறிகளை மாற்றவும்

2.6 மாதிரி அளவு மாற்றம்

1. aimet-model-zoo/aimet_zoo_torch/quicksrnet/model/model_cards/*.json இல் “input_shape”
2. aimet-model-zoo/aimet_zoo_torch/quicksrnet/model/inference.py இன் உள்ளே செயல்பாடு load_model(...)
3. செயல்பாட்டின் உள்ளே உள்ள அளவுரு export_to_onnx(..., input_height, input_width) இலிருந்து “ONNX க்கு ஏற்றுமதி செய் படிகள் REVISED.docx”

2.7 ONNX மாதிரியை ஏற்றுமதி செய்ய 1.6 ஐ மீண்டும் இயக்கவும்

3. SNPE இல் மாற்றவும்

3.1 மாற்றவும்

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

3.2 (விரும்பினால்) அளவிடப்பட்ட டிஎல்சியை மட்டும் பிரித்தெடுக்கவும்

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

3.3 (முக்கியமானது) ONNX I/O ஆனது NCHW வரிசையில் உள்ளது; மாற்றப்பட்ட DLC ஆனது NHWC வரிசையில் உள்ளது

ஆவணங்கள் / ஆதாரங்கள்

Qualcomm Aimet Efficiency Toolkit ஆவணப்படுத்தல் [pdf] வழிமுறைகள் quicksrnet_small_2x_w8a8, quicksrnet_small_4x_w8a8, quicksrnet_medium_2x_w8a8, quicksrnet_medium_4x_w8a8, Aimet Efficiency Toolkit Documentation, Efficiency Toolkit Documentation, Documentation, Toolkitation

குறிப்புகள்

• பயனர் கையேடு