动态AIPP（单个动态AIPP输入）

基本原理

若模型推理时包含动态AIPP特性，在模型推理时，需调用pyACL提供的接口设置模型推理时需使用的AIPP配置，完整流程请参见模型执行。关键接口的调用流程如下：

  1. 加载模型。模型加载的详细流程，请参见模型加载，模型加载成功后，返回标识模型的ID。

    对于动态AIPP，模型支持的AIPP模式已提前在构建模型时配置（构建模型的说明请参见《ATC工具使用指南》），构建模型成功后，在生成的om模型中，会新增一个输入（下文简称动态AIPP输入），在模型推理时通过该新增的输入提供具体的AIPP参数值。

    例如，a输入的AIPP是动态的，在om模型中，会有与a对应的b输入来描述a的AIPP配置信息。在模型执行时，准备a输入的数据结构请参见准备模型推理的输入/输出数据，准备b输入的数据结构、设置b输入的数据请依次参见2、3。

    加载模型数据分为以下4种方式：
  2. 创建aclmdlDataset类型的数据，用于描述模型的输入数据、输出数据。
    1. 调用acl.create_data_buffer接口创建aclDataBuffer类型的数据，用于存放输入/输出数据的内存地址、内存大小，内存需提前调用acl.rt.malloc接口申请。

      申请动态AIPP输入对应的内存前，需要先调用acl.mdl.get_input_index_by_name接口根据输入名称（固定为"ascend_dynamic_aipp_data"）获取模型中标识动态AIPP输入的index，再调用acl.mdl.get_input_size_by_index、acl.mdl.get_output_size_by_index接口根据index获取输入、输出内存大小。申请动态AIPP输入对应的内存后，无需用户设置内存中的数据（否则可能会导致业务异常），用户调用3.c中的接口后，系统会自动向内存中填入数据。

    2. 调用acl.mdl.create_dataset接口创建aclmdlDataset类型的数据，并调用acl.mdl.add_dataset_buffer接口向aclmdlDataset类型的数据中增加aclDataBuffer类型的数据。
  3. 在成功加载模型之后，执行模型之前，设置动态AIPP参数。
    1. 根据输入名称（固定为"ascend_dynamic_aipp_data"），获取模型中标识动态AIPP输入的index。
    2. 调用acl.mdl.create_aipp接口创建aclmdlAIPP类型。
    3. 根据实际需求，调用基本概念中提供的接口设置动态AIPP参数值。

      动态AIPP场景下，acl.mdl.set_aipp_input_format接口、acl.mdl.set_aipp_src_image_size接口（设置原始图片的宽和高）必须调用。

    4. 调用acl.mdl.set_input_aipp接口设置模型推理时的动态AIPP数据。
    5. 及时调用acl.mdl.destroy_aipp接口销毁aclmdlAIPP类型。
  4. 执行模型。

    调用acl.mdl.execute接口执行模型。

  • 动态AIPP和动态Batch同时使用时：
    • 调用acl.mdl.create_aipp接口设置batch_size时，batch_size要设置为最大Batch数。
    • 模型中需要进行动态AIPP处理的data节点，其对应的输入内存大小需按照最大Batch来申请。
  • 动态AIPP和动态分辨率同时使用时：
    • 若在设置动态AIPP参数时，开启了抠图或缩放或补边功能，则不能与动态分辨率同时使用。
    • 若在设置动态AIPP参数时，未开启抠图或缩放或补边功能，在与动态分辨率同时使用时，需确保通过acl.mdl.set_aipp_src_image_size接口设置的宽、高与通过acl.mdl.set_dynamic_hw_size接口设置的宽、高相等，都必须设置成模型转换时动态分辨率最大档位的宽、高。
    • 模型中需要进行动态AIPP处理的data节点，其对应的输入内存大小需按照最大分辨率（宽、高）来申请。
  • 对同一个模型，AIPP（包括静态AIPP和动态AIPP）与动态维度（ND格式）不能同时使用。

示例代码

调用接口后，需增加异常处理的分支，并记录报错日志、提示日志，此处不一一列举。以下是关键步骤的代码示例，不可以直接拷贝运行，仅供参考。

 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
 
import acl
# ......

ACL_YUV420SP_U8 = 1

# 1.模型加载，加载成功后，再设置动态AIPP参数值
# ......

# 2.创建aclmdlDataset类型的数据，用于描述模型的输入数据input_dataset和模型的输出数据output_dataset
# ......

# 3.自定义函数，设置动态AIPP参数值
def model_set_dynamic_aipp():
    # 3.1 获取标识动态AIPP输入的index
    index, ret = acl.mdl.get_input_index_by_name(model_desc, "ascend_dynamic_aipp_data")

    # 3.2 设置动态AIPP参数值
    batch_number = 1
    aipp_dynamic_set = acl.mdl.create_aipp(batch_number)
    ret = acl.mdl.set_aipp_src_image_size(aipp_dynamic_set, 256, 224)
    ret = acl.mdl.set_aipp_input_format(aipp_dynamic_set, ACL_YUV420SP_U8)
    ret = acl.mdl.set_aipp_csc_params(aipp_dynamic_set, 1, 256, 443, 0, 256, -86, -178, 256,
                                         0, 350, 0, 0, 0, 0, 128, 128)
    ret = acl.mdl.set_aipp_rbuv_swap_switch(aipp_dynamic_set, 0)
    ret = acl.mdl.set_aipp_dtc_pixel_mean(aipp_dynamic_set, 0, 0, 0, 0, 0)
    ret = acl.mdl.set_aipp_dtc_pixel_min(aipp_dynamic_set, 0, 0, 0, 0, 0)
    ret = acl.mdl.set_aipp_pixel_var_reci(aipp_dynamic_set, 1, 1, 1, 1, 0)
    ret = acl.mdl.set_aipp_crop_params(aipp_dynamic_set, 1, 0, 0, 224, 224, 0)
    ret = acl.mdl.set_input_aipp(model_id, input_dataset, index, aipp_dynamic_set)
    ret = acl.mdl.destroy_aipp(aipp_dynamic_set)	
    # ......

# 4.自定义函数，执行模型
def model_execute(index)
    # 4.1 调用自定义函数，设置动态AIPP参数值
    ret = model_set_dynamic_aipp()
    # 4.2 执行模型，modelId_表示加载成功的模型的ID，input_和output_分别表示模型的输入和输出
    ret = acl.mdl.execute(model_id, input_dataset, output_dataset)
    # ......

# 5.处理模型推理结果
# ......
父主题： 模型推理扩展场景