Ascend-SACT/PP-LCNet_x1_0_table_cls
模型介绍文件和版本Pull Requests讨论分析
下载使用量0

PP-LCNet_x1_0_table_cls —— 300I-Duo环境推理指导（Paddle 模型 -> ONNX -> OM）

PP-LCNet_x1_0_table_cls 是 PaddleOCR 推出的表格分类模型，负责对输入的表格图像进行分类。

本文档介绍了PP-LCNet_x1_0_table_cls模型的部署流程，包括推理环境准备、模型部署、功能验证，旨在帮助用户快速完成模型300I-Duo环境部署和验证。

概述

推理环境准备

配套版本
固件与驱动25.2.RC1
CANN8.3.RC2
Python3.11
推荐使用镜像cann8.3.rc2-310p-ubuntu22.04

快速上手

环境配置

1.安装依赖

git clone https://atomgit.com/zDaPao/PP-LCNet_x1_0_table_cls.git
pip install -r requirements.txt
cp -f predictor.py /usr/local/python3.11.13/lib/python3.11/site-packages/paddlex/inference/models/image_classification/

2.安装msit工具以及相关组件

pip install msit
msit install surgeon
wget https://aisbench.obs.myhuaweicloud.com/packet/ais_bench_infer/0.0.2/ait/ais_bench-0.0.2-py3-none-any.whl
wget https://aisbench.obs.myhuaweicloud.com/packet/ais_bench_infer/0.0.2/ait/aclruntime-0.0.2-cp311-cp311-linux_aarch64.whl
pip install ais_bench-0.0.2-py3-none-any.whl
pip install aclruntime-0.0.2-cp311-cp311-linux_aarch64.whl

3.配置CANN环境变量

执行以下命令激活CANN环境变量。注意：该命令中文件路径仅供参考，请以实际安装环境配置环境变量。

source /usr/local/Ascend/ascend-toolkit/set_env.sh

获取权重

下载PP-LCNet_x1_0_table_cls模型权重，并放置于本地目录PP-LCNet_x1_0_table_cls

mkdir PP-LCNet_x1_0_table_cls
modelscope download --model PaddlePaddle/PP-LCNet_x1_0_table_cls --local_dir ./PP-LCNet_x1_0_table_cls

模型推理

模型转换

1.导出onnx模型

paddlex --paddle2onnx --paddle_model_dir PP-LCNet_x1_0_table_cls/ --onnx_model_dir PP-LCNet_x1_0_table_cls

转onnx的必要性：

1.Paddle 格式 不能直接在昇腾 310P 上运行

2.ONNX 是通用中间格式

3.这是转 OM 模型必须的第一步

2.onnx模型优化 通过auto_optimizer对onnx模型进行改图优化。

python3 -m auto_optimizer optimize PP-LCNet_x1_0_table_cls/inference.onnx PP-LCNet_x1_0_table_cls/inference_opt.onnx

优化的必要性：

1.原始 ONNX 有冗余算子、低效结构

2.昇腾对优化后的 ONNX 兼容性更好

3.优化后：推理更快 + 成功率更高 + 性能更高

4.不优化 可能转 OM 失败、推理变慢

3.导出om模型

参照ATC工具指导 ，执行npu-smi info查看芯片名称，并赋值为${soc_version}，执行ATC命令，生成PP-LCNet_x1_0_table_cls的om模型，文件名为inference_{arch}.om，模型{arch}后缀为当前使用的CPU操作系统。

atc --model=PP-LCNet_x1_0_table_cls/inference_opt.onnx \
    --framework=5 \
    --output=PP-LCNet_x1_0_table_cls/inference_linux_arch64 \
    --soc_version=Ascend310P3 \
    --input_shape="x:-1,3,224,224" \
    --log=info

参数含义：

参数取值详细解释
--modelPP-LCNet_x1_0_table_cls/inference_opt.onnx指定待转换的ONNX 模型文件路径，为转换的原始输入模型
--framework5源模型框架标识，5 代表 ONNX 框架；0=Caffe、3=TensorFlow、5=ONNX
--outputPP-LCNet_x1_0_table_cls/inference_linux_arch64输出 OM 模型前缀路径，工具自动补.om后缀，生成最终推理模型文件
--soc_versionAscend310P3指定适配的昇腾芯片型号，必须与硬件实际芯片完全匹配
--input_shapex:-1,3,224,224模型输入维度配置：・x：输入节点名称・-1：动态 batch，支持任意数量图片同时推理・3：RGB 三通道・224：模型输入高度・224：模型输入宽度
--loginfo日志输出级别，info 为输出常规编译信息，方便排查转换报错
注意：atc工具失效可能是python动态库配置问题，参考如下指令添加动态库路径，具体设置以实际python路径为准
export LD_LIBRARY_PATH=/usr/local/python3.11.10/lib:$LD_LIBRARY_PATH

运行推理脚本

获取示例图像存放在工作路径，并执行推理脚本，脚本通过调用PaddleOCR接口进行产线推理，通过指定文本检测模块以及文本识别模块，解决了文本识别任务，将图片中的文字信息以文本形式输出。

wget https://paddle-model-ecology.bj.bcebos.com/paddlex/imgs/demo_image/seal_text_det.png -O test_seal.png
python3 infer.py

推理执行完成后结果如下，解析结果存放于output目录，目录包含存有各项中间结果的json文件以及可视化结果图像。

[INFO] acl init success
[INFO] open device 0 success
[INFO] create new context
[INFO] load model PP-LCNet_x1_0_table_cls/inference_linux_aarch64.om success
[INFO] create model description success
推理成功！
结果已保存到 output 目录
[INFO] unload model success, model Id is 2147483648
[INFO] end to reset device 0
[INFO] end to finalize acl

推理结果： 示例图片

性能测试

1.下载测试集：

mkdir -p dataset
# 下载官方 demo 数据集（公开、可用）
wget https://paddle-model-ecology.bj.bcebos.com/paddlex/data/table_cls_examples.tar -P ./dataset
# 解压
tar -xf ./dataset/table_cls_examples.tar -C ./dataset/

2.执行性能测试：

python benchmark_cls_om.py

3.执行结果：

==============================================
      PP-LCNet 表格分类 OM 模型性能测试
==============================================
测试图片数量 : 512 张
总耗时       : 5.68 s
平均耗时     : 11.09 ms/张
FPS          : 90.19
==============================================

[INFO] unload model success, model Id is 2147483648
[INFO] end to reset device 0
[INFO] end to finalize acl