File size: 27,073 Bytes
efaa3d7 | 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270 271 272 273 274 275 276 277 278 279 280 281 282 283 284 285 286 287 288 289 290 291 292 293 294 295 296 297 298 299 300 301 302 303 304 305 306 307 308 309 310 311 312 313 314 315 316 317 318 319 320 321 322 323 324 325 326 327 328 329 330 331 332 333 334 335 336 337 338 339 340 341 342 343 344 345 346 347 348 349 350 351 352 353 354 355 356 357 358 359 360 361 362 363 364 365 366 367 368 369 370 371 372 373 374 375 376 377 378 379 380 381 382 383 384 385 386 387 388 389 390 391 392 393 394 395 396 397 398 399 400 401 402 403 404 405 406 407 408 409 410 411 412 413 414 415 416 417 418 419 420 421 422 423 424 425 426 427 428 429 430 431 432 433 434 435 436 437 438 439 440 441 442 443 444 445 446 447 448 449 450 451 452 453 454 455 456 457 458 459 460 461 462 463 464 465 466 467 468 469 470 471 472 473 474 475 476 477 478 479 480 481 482 483 484 485 486 487 488 489 490 491 492 493 494 495 496 497 498 499 500 501 502 503 504 505 506 507 508 509 510 511 512 513 514 515 516 517 518 519 520 521 522 523 524 525 526 527 528 529 530 531 532 533 534 535 536 537 538 539 540 541 542 543 544 545 546 547 | #!/usr/bin/env python3
# -*- coding: utf-8 -*-
"""
Depth Anything V2：ONNX 与 AXMODEL 原始输出一致性对比。
对同一批图片分别运行 ONNX 和 axmodel，在模型分辨率下比较两路深度输出
（相对逆深度，数值越大越近），逐样本计算相似度指标，并汇总为 Markdown 文档。
两个后端的输入预处理可以不同，但 resize 与颜色顺序必须一致：
默认 ONNX 做 /255 + ImageNet mean/std，axmodel 送 0-255 原始像素
（对应编译时把归一化写进 input_processors / calibration_mean/std 的方案）。
如果 axmodel 重编译后仍需脚本侧归一化，使用 --axmodel-norm imagenet。
指标：
cosine 两路输出的余弦相似度
pearson 皮尔逊相关系数
mae / rmse 绝对误差均值 / 均方根
max_abs/p99_abs 最大误差 / 99 分位误差
aligned_mae 最小二乘 scale-shift 对齐后的 MAE（区分全局尺度漂移与结构误差）
aligned_rmse 对齐后的 RMSE
rel_error mae / mean(|onnx|)
依赖：numpy、opencv-python、onnxruntime、axengine（板端 pyaxengine）。
用法（在 hs/Depth-Anything-V2 目录下执行）：
# 离线比较已有结果（开发机，无需 axengine 或模型文件）
python3 src/tool/compare_onnx_axmodel.py \
--onnx-results results/onnx_full --axmodel-results results/board_full \
--output results/compare_full/onnx_vs_axmodel.md
# 单图
python3 src/tool/compare_onnx_axmodel.py \
--onnx depth_anything_v2_vits.onnx \
--axmodel depth_anything_v2_vits_ax650.axmodel \
--image /path/a.jpg --output results/compare/single.md
# 数据集（递归收集图片），默认 axmodel 送 0-255
python3 src/tool/compare_onnx_axmodel.py \
--onnx depth_anything_v2_vits.onnx \
--axmodel depth_anything_v2_vits_ax650.axmodel \
--dataset /path/images --limit 50 \
--output results/compare/onnx_vs_axmodel.md
# axmodel 仍需要脚本侧做 ImageNet 归一化时
python3 src/tool/compare_onnx_axmodel.py \
--onnx depth_anything_v2_vits.onnx --axmodel other.axmodel \
--dataset /path/images --axmodel-norm imagenet \
--output results/compare/onnx_vs_axmodel.md
注意：
- axmodel 的输出名可能被编译器改写，脚本先按名字、再按 shape 回退绑定。
- 两个后端的输出 shape 必须一致；不一致时直接报错并打印实际接口。
- 结果默认输出到 results/compare/，不写预测 NPZ。
"""
import argparse
import json
import logging
import time
from datetime import datetime
from pathlib import Path
import cv2
import numpy as np
MEAN = np.array([0.485, 0.456, 0.406], dtype=np.float32)
STD = np.array([0.229, 0.224, 0.225], dtype=np.float32)
EXTENSIONS = {'.jpg', '.jpeg', '.png', '.bmp', '.tif', '.tiff'}
METRICS = ('cosine', 'pearson', 'mae', 'rmse', 'max_abs', 'p99_abs',
'aligned_mae', 'aligned_rmse', 'rel_error')
def meta_type(meta):
return str(getattr(meta, 'type', getattr(meta, 'dtype', ''))).lower()
def input_spec(shape, type_name, model_name):
shape = list(shape)
if len(shape) != 4 or not all(isinstance(v, int) and v > 0 for v in shape):
raise ValueError(f'{model_name} 输入必须是静态 4D NHWC/NCHW: {shape}')
if shape[0] != 1:
raise ValueError(f'{model_name} 仅支持 batch=1: {shape}')
if shape[1] == 3:
layout, size = 'NCHW', (shape[2], shape[3])
elif shape[3] == 3:
layout, size = 'NHWC', (shape[1], shape[2])
else:
raise ValueError(f'{model_name} 输入必须含 3 通道: {shape}')
if 'float' in type_name:
dtype = np.float32
elif 'uint8' in type_name or type_name.endswith('u8'):
dtype = np.uint8
elif 'int8' in type_name:
dtype = np.int8
else:
raise ValueError(f'{model_name} 不支持的输入类型: {type_name!r}')
return size, layout, dtype
def onnx_interface(session):
inputs, outputs = session.get_inputs(), session.get_outputs()
logging.info('ONNX 输入: %s', [(m.name, m.shape, m.type) for m in inputs])
logging.info('ONNX 输出: %s', [(m.name, m.shape, m.type) for m in outputs])
if len(inputs) != 1:
raise ValueError(f'ONNX 应有 1 个输入: {[(m.name, m.shape) for m in inputs]}')
meta = inputs[0]
if 'float' not in str(meta.type):
raise ValueError(f'ONNX 输入要求 float32: {meta.name} {meta.type}')
size, layout, dtype = input_spec(meta.shape, str(meta.type), 'ONNX')
return meta.name, size, layout, dtype, outputs[0].name
def axmodel_interface(session):
inputs, outputs = session.get_inputs(), session.get_outputs()
logging.info('AXMODEL 输入: %s', [(m.name, m.shape, meta_type(m)) for m in inputs])
logging.info('AXMODEL 输出: %s', [(m.name, m.shape, meta_type(m)) for m in outputs])
if len(inputs) != 1:
raise ValueError(f'axmodel 应有 1 个输入: {[(m.name, m.shape) for m in inputs]}')
meta = inputs[0]
size, layout, dtype = input_spec(meta.shape, meta_type(meta), 'AXMODEL')
return meta, size, layout, dtype, outputs
def preprocess(image, size, layout, dtype, resize_mode, color_order, norm):
target_h, target_w = size
original_h, original_w = image.shape[:2]
if color_order == 'rgb':
image = cv2.cvtColor(image, cv2.COLOR_BGR2RGB)
if resize_mode == 'pad':
scale = min(target_h / original_h, target_w / original_w)
new_h = max(1, min(target_h, int(round(original_h * scale))))
new_w = max(1, min(target_w, int(round(original_w * scale))))
resized = cv2.resize(image, (new_w, new_h), interpolation=cv2.INTER_LINEAR)
canvas = np.zeros((target_h, target_w, 3), dtype=np.float32)
canvas[:new_h, :new_w] = resized
image_size = (new_h, new_w)
else:
canvas = cv2.resize(image, (target_w, target_h),
interpolation=cv2.INTER_LINEAR).astype(np.float32)
image_size = (target_h, target_w)
canvas = canvas.astype(np.float32, copy=False)
if norm == 'imagenet':
if dtype != np.float32:
raise ValueError('整数输入不能使用 ImageNet 归一化')
canvas = (canvas / 255.0 - MEAN) / STD
if dtype != np.float32:
canvas = np.rint(np.clip(canvas, 0, 255)).astype(dtype)
tensor = canvas.transpose(2, 0, 1) if layout == 'NCHW' else canvas
return np.ascontiguousarray(tensor[None]), image_size
def to_2d(array, model_name):
array = np.asarray(array)
if array.ndim == 4:
if array.shape[0] != 1:
raise ValueError(f'{model_name} 输出 batch 必须为 1: {array.shape}')
if array.shape[1] == 1:
array = array[0, 0]
elif array.shape[3] == 1:
array = array[0, :, :, 0]
else:
raise ValueError(f'{model_name} 输出无法压缩为 2D: {array.shape}')
elif array.ndim == 3:
if array.shape[0] == 1:
array = array[0]
elif array.shape[2] == 1:
array = array[:, :, 0]
else:
raise ValueError(f'{model_name} 输出无法压缩为 2D: {array.shape}')
if array.ndim != 2:
raise ValueError(f'{model_name} 输出必须是 2D 深度图: {array.shape}')
array = array.astype(np.float32, copy=False)
if not np.isfinite(array).all():
raise ValueError(f'{model_name} 输出包含 nan/inf')
return array
def select_ax_output(outputs, metas, expected_shape):
if not isinstance(outputs, (list, tuple)):
outputs = [outputs]
if len(outputs) != len(metas):
raise ValueError(f'axmodel 输出数量不一致: {len(outputs)} vs {len(metas)}')
for index, meta in enumerate(metas):
if any(token in str(meta.name).lower() for token in ('depth', 'output')):
array = to_2d(outputs[index], 'AXMODEL')
if array.shape == expected_shape:
return array, str(meta.name)
candidates = []
for index, array in enumerate(outputs):
candidate = to_2d(array, 'AXMODEL')
if candidate.shape == expected_shape:
candidates.append((index, candidate))
if len(candidates) != 1:
raise ValueError('axmodel 输出无法按 name 或 shape 唯一匹配'
f' {expected_shape}: {[(m.name, np.asarray(o).shape) for m, o in zip(metas, outputs)]}')
index, candidate = candidates[0]
return candidate, str(metas[index].name)
def compare_arrays(reference, actual):
ref = reference.astype(np.float64).ravel()
act = actual.astype(np.float64).ravel()
diff = act - ref
ref_norm = np.linalg.norm(ref)
act_norm = np.linalg.norm(act)
cosine = float(np.dot(ref, act) / (ref_norm * act_norm + 1e-12))
if ref.std() > 1e-12 and act.std() > 1e-12:
pearson = float(np.corrcoef(ref, act)[0, 1])
else:
pearson = float('nan')
slope, offset = np.polyfit(ref, act, 1)
aligned = act - (slope * ref + offset)
abs_diff = np.abs(diff)
return {
'cosine': cosine,
'pearson': pearson,
'mae': float(abs_diff.mean()),
'rmse': float(np.sqrt(np.mean(diff ** 2))),
'max_abs': float(abs_diff.max()),
'p99_abs': float(np.percentile(abs_diff, 99)),
'aligned_mae': float(np.abs(aligned).mean()),
'aligned_rmse': float(np.sqrt(np.mean(aligned ** 2))),
'rel_error': float(abs_diff.mean() / (np.abs(ref).mean() + 1e-12)),
}
def summarize(records):
summary = {}
for key in METRICS:
values = np.array([record[key] for record in records], dtype=np.float64)
values = values[np.isfinite(values)]
if values.size == 0:
summary[key] = None
continue
summary[key] = {'mean': float(values.mean()),
'median': float(np.percentile(values, 50)),
'p90': float(np.percentile(values, 90)),
'p99': float(np.percentile(values, 99)),
'min': float(values.min()),
'max': float(values.max())}
return summary
def format_value(value):
if value is None:
return '-'
if isinstance(value, float) and not np.isfinite(value):
return '-'
return f'{value:.6g}'
def write_markdown(path, report):
lines = ['# Depth Anything V2：ONNX 与 AXMODEL 输出一致性', '']
lines.append(f'- 生成时间：{report["created"]}')
lines.append(f'- 样本数：{report["sample_count"]}')
lines.append(f'- 结果目录：`{report["output_dir"]}`')
if report['limit'] is not None:
lines.append(f'- 样本上限：{report["limit"]}')
lines.append('')
if report.get('mode') == 'results':
lines.extend([
'## 结果来源', '',
f'- ONNX：`{report["onnx_results"]}`',
f'- AXMODEL：`{report["axmodel_results"]}`',
'- 按相对路径匹配同名 `.depth.npy`，比较保存的深度图，不重新推理或 resize。',
'- 这些文件由推理脚本还原至原图尺寸，指标对应保存结果的像素空间。',
'- 离线比较不测量推理耗时；预处理配置以原推理记录为准。', '',
])
else:
lines.append('## 模型与预处理')
lines.append('')
lines.append('| 项 | ONNX | AXMODEL |')
lines.append('| --- | --- | --- |')
lines.append(f'| 模型 | `{report["onnx"]["path"]}` | `{report["axmodel"]["path"]}` |')
lines.append(f'| 运行时 | {report["onnx"]["runtime"]} | {report["axmodel"]["runtime"]} |')
lines.append(f'| 输入 | {report["onnx"]["input"]} | {report["axmodel"]["input"]} |')
lines.append(f'| 输出 | {report["onnx"]["output"]} | {report["axmodel"]["output"]} |')
lines.append(f'| 归一化 | {report["onnx"]["norm"]} | {report["axmodel"]["norm"]} |')
lines.append(f'| resize | {report["resize_mode"]} | {report["resize_mode"]} |')
lines.append(f'| 颜色顺序 | {report["color_order"]} | {report["color_order"]} |')
lines.append(f'| warmup | {report["warmup"]} | {report["warmup"]} |')
lines.append('')
lines.append('## 汇总指标')
lines.append('')
lines.append('| 指标 | mean | median | p90 | p99 | min | max |')
lines.append('| --- | --- | --- | --- | --- | --- | --- |')
for key in METRICS:
stats = report['summary'][key]
if stats is None:
lines.append(f'| {key} | - | - | - | - | - | - |')
else:
lines.append(f'| {key} | {format_value(stats["mean"])} | '
f'{format_value(stats["median"])} | {format_value(stats["p90"])} | '
f'{format_value(stats["p99"])} | {format_value(stats["min"])} | '
f'{format_value(stats["max"])} |')
lines.append('')
lines.append('## 逐样本结果')
lines.append('')
lines.append('| # | 图片 | cosine | pearson | mae | rmse | max_abs | p99_abs | '
'aligned_mae | aligned_rmse | rel_error | ONNX ms | AXMODEL ms |')
lines.append('| --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- |')
for index, sample in enumerate(report['samples'], 1):
metrics = sample['metrics']
lines.append(
f'| {index} | `{sample["name"]}` | {format_value(metrics["cosine"])} | '
f'{format_value(metrics["pearson"])} | {format_value(metrics["mae"])} | '
f'{format_value(metrics["rmse"])} | {format_value(metrics["max_abs"])} | '
f'{format_value(metrics["p99_abs"])} | {format_value(metrics["aligned_mae"])} | '
f'{format_value(metrics["aligned_rmse"])} | {format_value(metrics["rel_error"])} | '
f'{format_value(sample["onnx_ms"])} | {format_value(sample["axmodel_ms"])} |')
lines.append('')
lines.append('## 指标说明')
lines.append('')
lines.append('- `cosine`：两路输出的余弦相似度，1 表示方向完全一致。')
lines.append('- `pearson`：线性相关系数，衡量结构一致性，对全局尺度不敏感。')
lines.append('- `mae` / `rmse`：未对齐的绝对误差，包含量化误差与整体尺度漂移。')
lines.append('- `max_abs` / `p99_abs`：最大误差和 99 分位误差，反映局部离群点。')
lines.append('- `aligned_mae` / `aligned_rmse`：先做最小二乘 scale-shift 对齐再计算，'
'用于区分全局尺度漂移和真正的结构偏差。')
lines.append('- `rel_error`：`mae / mean(|ONNX|)`，便于跨图片比较。')
lines.append('')
lines.append('## 判定参考')
lines.append('')
lines.append(f'- 余弦相似度均值：{format_value(report["summary"]["cosine"]["mean"])}')
lines.append(f'- 对齐后 MAE 均值：{format_value(report["summary"]["aligned_mae"]["mean"])}')
lines.append(f'- 未对齐相对误差均值：'
f'{format_value(report["summary"]["rel_error"]["mean"])}')
lines.append('')
lines.append('若 `cosine` 接近 1 但 `mae` 明显偏大、`aligned_mae` 很小，说明两路输出只存在'
'整体尺度/偏移差异；若 `aligned_mae` 也明显偏大，则更可能是量化本身造成的'
'结构失真，需要结合逐层精度分析继续定位。')
path.parent.mkdir(parents=True, exist_ok=True)
path.write_text('\n'.join(lines) + '\n', encoding='utf-8')
def collect_images(dataset):
paths = sorted(p for p in dataset.rglob('*')
if p.is_file() and p.suffix.lower() in EXTENSIONS)
if not paths:
raise ValueError(f'目录中没有图片: {dataset}')
return paths
def compare_result_dirs(args):
from tqdm import tqdm
files = []
for directory in (args.onnx_results, args.axmodel_results):
if not directory.is_dir():
raise ValueError(f'结果目录不存在: {directory}')
mapping = {p.relative_to(directory).as_posix(): p
for p in directory.rglob('*.depth.npy') if p.is_file()}
if not mapping:
raise ValueError(f'结果目录中没有 *.depth.npy: {directory}')
files.append(mapping)
onnx_files, axmodel_files = files
if onnx_files.keys() != axmodel_files.keys():
onnx_only = sorted(onnx_files.keys() - axmodel_files.keys())
axmodel_only = sorted(axmodel_files.keys() - onnx_files.keys())
raise ValueError(f'结果文件未完全配对: ONNX 独有 {len(onnx_only)} 个 '
f'{onnx_only[:5]}, AXMODEL 独有 {len(axmodel_only)} 个 '
f'{axmodel_only[:5]}')
names = sorted(onnx_files)
if args.limit is not None:
names = names[:args.limit]
records = []
for name in tqdm(names, desc='比较深度输出', disable=len(names) == 1):
reference = to_2d(np.load(onnx_files[name], allow_pickle=False), f'ONNX {name}')
actual = to_2d(np.load(axmodel_files[name], allow_pickle=False), f'AXMODEL {name}')
if reference.size == 0 or reference.shape != actual.shape:
raise ValueError(f'{name} 深度图为空或 shape 不一致: '
f'ONNX {reference.shape} vs AXMODEL {actual.shape}')
metrics = compare_arrays(reference, actual)
if args.debug:
logging.info('%s: %s', name, metrics)
records.append({'name': name[:-len('.depth.npy')], 'metrics': metrics,
'onnx_ms': None, 'axmodel_ms': None})
report = {
'mode': 'results',
'created': datetime.now().astimezone().isoformat(timespec='seconds'),
'output_dir': str(args.output.resolve().parent),
'onnx_results': str(args.onnx_results.resolve()),
'axmodel_results': str(args.axmodel_results.resolve()),
'sample_count': len(records), 'limit': args.limit,
'summary': summarize([record['metrics'] for record in records]),
'samples': records,
}
write_markdown(args.output, report)
logging.info('样本数 %d，cosine mean=%.6f，aligned_mae mean=%.6g，报告: %s',
len(records), report['summary']['cosine']['mean'],
report['summary']['aligned_mae']['mean'], args.output)
def main():
parser = argparse.ArgumentParser(
description='计算 ONNX 与 AXMODEL 深度输出的相似度并生成 Markdown 报告',
formatter_class=argparse.RawDescriptionHelpFormatter, epilog=__doc__)
parser.add_argument('--onnx', type=Path, help='FP32 ONNX 模型')
parser.add_argument('--axmodel', type=Path, help='编译后的 axmodel')
parser.add_argument('--onnx-results', type=Path, help='ONNX 结果目录（递归读取 *.depth.npy）')
parser.add_argument('--axmodel-results', type=Path, help='AXMODEL 结果目录（相对路径必须完全配对）')
source = parser.add_mutually_exclusive_group()
source.add_argument('--image', type=Path, help='单张图片')
source.add_argument('--dataset', type=Path, help='图片目录（递归）')
parser.add_argument('--output', type=Path,
default=Path(__file__).resolve().parents[2] / 'results' /
'compare' / 'onnx_vs_axmodel.md',
help='Markdown 输出路径，默认 results/compare/onnx_vs_axmodel.md')
parser.add_argument('--resize-mode', choices=('stretch', 'pad'), default='stretch',
help='两个后端共用的 resize 方式，默认 stretch')
parser.add_argument('--color-order', choices=('rgb', 'bgr'), default='rgb',
help='两个后端共用的颜色顺序，默认 rgb')
parser.add_argument('--onnx-norm', choices=('imagenet', 'raw'), default='imagenet',
help='ONNX 输入归一化，默认 imagenet')
parser.add_argument('--axmodel-norm', choices=('imagenet', 'raw'), default='raw',
help='axmodel 输入归一化，默认 raw（编译时已吸收归一化）')
parser.add_argument('--warmup', type=int, default=3,
help='数据集模式每个后端的 warmup 次数，默认 3')
parser.add_argument('--limit', type=int, help='数据集模式只处理前 N 张')
parser.add_argument('--debug', action='store_true', help='打印逐样本输入/输出统计')
args = parser.parse_args()
logging.basicConfig(level=logging.INFO, format='%(message)s')
if args.warmup < 0:
parser.error('--warmup 不能为负数')
if args.limit is not None and args.limit < 1:
parser.error('--limit 必须为正数')
if args.onnx_results is not None or args.axmodel_results is not None:
if args.onnx_results is None or args.axmodel_results is None:
parser.error('--onnx-results 和 --axmodel-results 必须同时提供')
if any(value is not None for value in (args.onnx, args.axmodel, args.image, args.dataset)):
parser.error('结果目录模式不能同时指定模型或图片输入')
compare_result_dirs(args)
return
if args.onnx is None or args.axmodel is None or (args.image is None and args.dataset is None):
parser.error('推理模式必须提供 --onnx、--axmodel 和 --image/--dataset；'
'或使用 --onnx-results 和 --axmodel-results 进行离线比较')
if not args.onnx.is_file():
parser.error(f'--onnx 不存在: {args.onnx}')
if not args.axmodel.is_file():
parser.error(f'--axmodel 不存在: {args.axmodel}')
import onnxruntime as ort
import axengine
onnx_session = ort.InferenceSession(str(args.onnx))
axmodel_session = axengine.InferenceSession(str(args.axmodel))
onnx_input, onnx_size, onnx_layout, onnx_dtype, onnx_output = onnx_interface(onnx_session)
ax_meta, ax_size, ax_layout, ax_dtype, ax_outputs = axmodel_interface(axmodel_session)
if onnx_size != ax_size:
raise ValueError(f'两个后端输入尺寸不一致: ONNX {onnx_size} vs AXMODEL {ax_size}')
if args.image:
if not args.image.is_file():
parser.error(f'--image 不是文件: {args.image}')
images = [args.image]
root = args.image.parent
else:
if not args.dataset.is_dir():
parser.error(f'--dataset 不是目录: {args.dataset}')
images = collect_images(args.dataset)
if args.limit is not None:
images = images[:args.limit]
root = args.dataset
if args.axmodel_norm == 'imagenet' and ax_dtype != np.float32:
parser.error('axmodel 输入为整数类型，不能使用 --axmodel-norm imagenet')
# 数据集模式先 warmup，使用第一张图。
if len(images) > 1 and args.warmup:
first = cv2.imread(str(images[0]), cv2.IMREAD_COLOR)
if first is None:
raise ValueError(f'读取图片失败: {images[0]}')
onnx_tensor, _ = preprocess(first, onnx_size, onnx_layout, onnx_dtype,
args.resize_mode, args.color_order, args.onnx_norm)
ax_tensor, _ = preprocess(first, ax_size, ax_layout, ax_dtype,
args.resize_mode, args.color_order, args.axmodel_norm)
for _ in range(args.warmup):
onnx_session.run([onnx_output], {onnx_input: onnx_tensor})
axmodel_session.run(None, {ax_meta.name: ax_tensor})
logging.info('两个后端各 warmup %d 次', args.warmup)
records = []
for path in images:
name = str(path.relative_to(root)) if path != root else path.name
image = cv2.imread(str(path), cv2.IMREAD_COLOR)
if image is None:
raise ValueError(f'读取图片失败: {path}')
onnx_tensor, _ = preprocess(image, onnx_size, onnx_layout, onnx_dtype,
args.resize_mode, args.color_order, args.onnx_norm)
ax_tensor, _ = preprocess(image, ax_size, ax_layout, ax_dtype,
args.resize_mode, args.color_order, args.axmodel_norm)
start = time.perf_counter()
onnx_raw = onnx_session.run([onnx_output], {onnx_input: onnx_tensor})[0]
onnx_ms = (time.perf_counter() - start) * 1000
start = time.perf_counter()
ax_outputs_data = axmodel_session.run(None, {ax_meta.name: ax_tensor})
axmodel_ms = (time.perf_counter() - start) * 1000
reference = to_2d(onnx_raw, 'ONNX')
actual, ax_output_name = select_ax_output(ax_outputs_data, ax_outputs,
reference.shape)
metrics = compare_arrays(reference, actual)
if not np.isfinite(metrics['cosine']):
raise ValueError(f'{name} 无法计算相似度，请检查输出是否常数')
if args.debug:
logging.info('%s: ONNX min=%.4f max=%.4f mean=%.4f | AXMODEL min=%.4f '
'max=%.4f mean=%.4f | cosine=%.6f mae=%.6g',
name, float(reference.min()), float(reference.max()),
float(reference.mean()), float(actual.min()),
float(actual.max()), float(actual.mean()),
metrics['cosine'], metrics['mae'])
records.append({'name': name, 'metrics': metrics,
'onnx_ms': onnx_ms, 'axmodel_ms': axmodel_ms})
if len(images) == 1:
logging.info('输出绑定: ONNX=%s AXMODEL=%s', onnx_output, ax_output_name)
logging.info('指标: %s', json.dumps(metrics, ensure_ascii=False))
report = {
'created': datetime.now().astimezone().isoformat(timespec='seconds'),
'output_dir': str(args.output.resolve().parent),
'sample_count': len(records),
'limit': args.limit if not args.image else None,
'warmup': args.warmup if len(images) > 1 else 0,
'resize_mode': args.resize_mode,
'color_order': args.color_order,
'onnx': {'path': str(args.onnx.resolve()),
'runtime': 'onnxruntime ' + ort.__version__,
'input': f'{onnx_input} {onnx_tensor.shape}',
'output': onnx_output,
'norm': args.onnx_norm},
'axmodel': {'path': str(args.axmodel.resolve()),
'runtime': getattr(axengine, '__version__', 'unknown'),
'input': f'{ax_meta.name} {tuple(ax_meta.shape)} {np.dtype(ax_dtype).name}',
'output': ax_output_name,
'norm': args.axmodel_norm},
'summary': summarize([record['metrics'] for record in records]),
'samples': records,
}
write_markdown(args.output, report)
logging.info('样本数 %d，cosine mean=%.6f，aligned_mae mean=%.6g，报告: %s',
len(records), report['summary']['cosine']['mean'],
report['summary']['aligned_mae']['mean'], args.output)
if __name__ == '__main__':
main()
|