12. 附录03：BM168x测试指南

12.1. 配置系统环境

如果是首次使用Docker, 那么请使用开发环境配置中的方法安装并配置Docker。同时, 本章中会使用到 git-lfs , 如果首次使用 git-lfs 可执行下述命令进行安装和配置(仅首次执行, 同时该配置是在用户自己系统中, 并非Docker container中):

$ curl -s https://packagecloud.io/install/repositories/github/git-lfs/script.deb.sh | sudo bash
$ sudo apt-get install git-lfs

12.2. 获取 `model-zoo` 模型

在 tpu-mlir_xxxx.tar.gz (tpu-mlir的发布包)的同级目录下, 使用以下命令克隆 model-zoo 工程:

$ git clone --depth=1 https://github.com/sophgo/model-zoo
$ cd model-zoo
$ git lfs pull --include "*.onnx,*.jpg,*.JPEG,*.npz" --exclude=""
$ cd ../

model-zoo的目录结构如下：

├── config.yaml
├── requirements.txt
├── data
├── dataset
├── harness
├── output
└── ...

config.yaml 中包含通用的配置：数据集的目录、模型的根目录等，以及一些复用的参数和命令
requirements.txt 为 model-zoo 的 python 依赖
dataset 目录中包含模型的 imagenet 数据集预处理，将作为 plugin 被 tpu_perf 调用
data 目录将用于存放 lmdb 数据集
output 目录将用于存放编译输出的 bmodel 和一些中间数据
其他目录包含各个模型的信息和配置。每个模型对应的目录都有一个 config.yaml 文件，该配置文件中配置了模型的名称、路径和 FLOPs、数据集制作参数，以及模型的量化编译命令。

如果已经克隆过 model-zoo 可以执行以下命令同步模型到最新状态:

$ cd model-zoo
$ git pull
$ git lfs pull --include "*.onnx,*.jpg,*.JPEG,*.npz" --exclude=""
$ cd ../

此过程会从 GitHub 上下载大量数据。由于具体网络环境的差异, 此过程可能耗时较长。

注意：如果您获得了SOPHGO提供的 model-zoo 测试包, 可以执行以下操作创建并设置好 model-zoo，完成此步骤后直接进入下一节。

$ mkdir -p model-zoo
$ tar -xvf path/to/model-zoo_<date>.tar.bz2 --strip-components=1 -C model-zoo

12.3. 准备运行环境

安装运行 model-zoo 所需的依赖:

# for ubuntu 操作系统
sudo apt-get install build-essential
sudo apt install python3-dev
sudo apt-get install -y libgl1 # For OpenCV
# for centos 操作系统
sudo yum install make automake gcc gcc-c++ kernel-devel
sudo yum install python-devel
sudo yum install mesa-libGL
# 精度测试需要执行以下操作，性能测试不执行（推荐使用Anaconda等创建python3.7或以上的虚拟环境）
cd path/to/model-zoo
pip3 install -r requirements.txt

另外，运行环境中调用 tpu 硬件进行性能和精度测试，请根据 libsophon 使用手册安装 libsophon。

12.4. 准备数据集

12.4.1. ImageNet

下载 imagenet 2012 数据集的

ILSVRC2012_img_val.tar（MD5 29b22e2961454d5413ddabcf34fc5622）。

将 ILSVRC2012_img_val.tar 解压到 dataset/ILSVRC2012/ILSVRC2012_img_val 目录中：

$ cd path/to/model-zoo
$ tar xvf path/to/ILSVRC2012_img_val.tar -C dataset/ILSVRC2012/ILSVRC2012_img_val

12.4.2. COCO (可选)

如果精度测试用到了 coco 数据集（如yolo等用coco训练的网络），请按照如下步骤下载解压：

cd path/to/model-zoo/dataset/COCO2017/
wget http://images.cocodataset.org/annotations/annotations_trainval2017.zip
wget http://images.cocodataset.org/zips/val2017.zip
unzip annotations_trainval2017.zip
unzip val2017.zip

12.5. 在非 x86 环境运行性能与精度测试

注意: 如果您的设备是 PCIE 板卡, 可以直接跳过该节内容。

性能测试只依赖于 libsophon 运行环境, 所以在工具链编译环境编译完的模型连同 model-zoo 整个打包, 就可以在 SOC 环境使用 tpu_perf 进行性能与精度测试。但是, SOC设备上存储有限, 完整的 model-zoo 与编译输出内容可能无法完整拷贝到 SOC 中。这里介绍一种通过 linux nfs 远程文件系统挂载来实现在 SOC 设备上运行测试的方法。

首先, 在工具链环境服务器『host 系统』安装 nfs 服务:

$ sudo apt install nfs-kernel-server

在 /etc/exports 中添加以下内容(配置共享目录):

/the/absolute/path/of/model-zoo *(rw,sync,no_subtree_check,no_root_squash)

其中 * 表示所有人都可以访问该共享目录, 也可以配置成特定网段或 IP 可访问, 如:

/the/absolute/path/of/model-zoo 192.168.43.0/24(rw,sync,no_subtree_check,no_root_squash)

然后执行如下命令使配置生效:

$ sudo exportfs -a
$ sudo systemctl restart nfs-kernel-server

另外, 需要为 dataset 目录下的图片添加读取权限:

chmod -R +r path/to/model-zoo/dataset

在 SOC 设备上安装客户端并挂载该共享目录:

$ mkdir model-zoo
$ sudo apt-get install -y nfs-common
$ sudo mount -t nfs <IP>:/path/to/model-zoo ./model-zoo

这样便可以在 SOC 环境访问测试目录。SOC 测试其余的操作与 PCIE 基本一致, 请参考下文进行操作; 运行环境命令执行位置的差别, 已经在执行处添加说明。

12.6. 获取 `tpu-perf` 工具

从 https://github.com/sophgo/tpu-perf/releases 地址下载最新的 tpu-perf wheel安装包。例如: tpu_perf-x.x.x-py3-none-manylinux2014_x86_64.whl 。并将 tpu-perf 包放置到与 model-zoo 同一级目录下。此时的目录结构应该为如下形式:

├── tpu_perf-x.x.x-py3-none-manylinux2014_x86_64.whl
├── tpu-mlir_xxxx.tar.gz
└── model-zoo

12.7. 准备工具链编译环境

建议在 docker 环境使用工具链软件，最新版本的 docker 可以参考官方教程进行安装。安装完成后，执行下面的脚本将当前用户加入 docker 组，获得 docker 执行权限。

$ sudo usermod -aG docker $USER
$ newgrp docker

然后，在 tpu-mlir_xxxx.tar.gz 目录下(注意, tpu-mlir_xxxx.tar.gz 和 model-zoo 需要在同一级目录), 执行以下命令:

$ tar zxf tpu-mlir_xxxx.tar.gz
$ docker pull sophgo/tpuc_dev:v2.2
$ docker run --rm --name myname -v $PWD:/workspace -it sophgo/tpuc_dev:v2.2

运行命令后会处于Docker的容器中。

12.8. 模型性能和精度测试流程

12.8.1. 模型编译

使用以下命令完成设置运行测试所需的环境变量:

$ cd tpu-mlir_xxxx
$ source envsetup.sh

该过程结束后不会有任何提示。之后使用以下命令安装 tpu-perf:

$ pip3 install ../tpu_perf-x.x.x-py3-none-manylinux2014_x86_64.whl

model-zoo 的相关 confg.yaml 配置了SDK的测试内容。例如: resnet18的配置文件为 model-zoo/vision/classification/resnet18-v2/config.yaml 。

执行以下命令, 运行全部测试样例:

$ cd ../model-zoo
$ python3 -m tpu_perf.build --target BM1684X --mlir -l full_cases.txt

--target 用于指定芯片型号，目前支持 BM1684 和 BM1684X 。

此时会编译以下模型（由于model-zoo的模型在持续添加中，这里只列出部分模型；同时该过程也编译了用于测试精度的模型，后续精度测试部分无需再编译模型。）:

* efficientnet-lite4
* mobilenet_v2
* resnet18
* resnet50_v2
* shufflenet_v2
* squeezenet1.0
* vgg16
* yolov5s
* ...

命令正常结束后, 会看到新生成的 output 文件夹(测试输出内容都在该文件夹中)。修改 output 文件夹的属性, 以保证其可以被Docker外系统访问。

$ chmod -R a+rw output

12.8.2. 性能测试

运行测试需要在 Docker 外面的环境(此处假设您已经安装并配置好了1684X设备和驱动)中进行, 可以退出 Docker 环境:

$ exit

PCIE 板卡下运行以下命令, 测试生成的 bmodel 性能。

$ pip3 install ./tpu_perf-*-py3-none-manylinux2014_x86_64.whl
$ cd model-zoo
$ python3 -m tpu_perf.run --target BM1684X --mlir -l full_cases.txt

--target 用于指定芯片型号，目前支持 BM1684 和 BM1684X 。

注意：如果主机上安装了多块SOPHGO的加速卡，可以在使用 tpu_perf 的时候，通过添加 --devices id 来指定 tpu_perf 的运行设备。如：

$ python3 -m tpu_perf.run --target BM1684X --devices 2 --mlir -l full_cases.txt

SOC 设备使用以下步骤, 测试生成的 bmodel 性能。

从 https://github.com/sophgo/tpu-perf/releases 地址下载最新的 tpu-perf tpu_perf-x.x.x-py3-none-manylinux2014_aarch64.whl 文件到SOC设备上并执行以下操作:

$ pip3 install ./tpu_perf-x.x.x-py3-none-manylinux2014_aarch64.whl
$ cd model-zoo
$ python3 -m tpu_perf.run --target BM1684X --mlir -l full_cases.txt

运行结束后, 性能数据在 output/stats.csv 中可以获得。该文件中记录了相关模型的运行时间、计算资源利用率和带宽利用率。

12.8.3. 精度测试

运行测试需要在 Docker 外面的环境(此处假设您已经安装并配置好了1684X设备和驱动)中进行, 可以退出 Docker 环境:

$ exit

PCIE 板卡下运行以下命令, 测试生成的 bmodel 精度。

$ pip3 install ./tpu_perf-*-py3-none-manylinux2014_x86_64.whl
$ cd model-zoo
$ python3 -m tpu_perf.precision_benchmark --target BM1684X --mlir -l full_cases.txt

--target 用于指定芯片型号，目前支持 BM1684 和 BM1684X 。

各类精度数据在 output 目录中的各个 csv 文件可以获得。

注意：如果主机上安装了多块SOPHGO的加速卡，可以在使用 tpu_perf 的时候，通过添加 --devices id 来指定 tpu_perf 的运行设备。如：

$ python3 -m tpu_perf.precision_benchmark --target BM1684X --devices 2 --mlir -l full_cases.txt

具体参数说明可以通过以下命令获得：

python3 -m tpu_perf.precision_benchmark --help

12.9. FAQ

此章节列出一些tpu_perf安装、使用中可能会遇到的问题及解决办法。

12.9.1. invalid command ‘bdist_wheel’

tpu_perf编译之后安装，如提示如下图错误，由于没有安装wheel工具导致。

则先运行：

pip3 install wheel

再安装whl包

12.9.2. not a supported wheel

tpu_perf编译之后安装，如提示如下图错误，由于pip版本导致。

则先运行：

pip3 install --upgrade pip

再安装whl包

12.9.3. no module named ‘xxx’

安装运行model-zoo所需的依赖时，如提示如下图错误，由于pip版本导致。

则先运行：

pip3 install --upgrade pip

再安装运行 model-zoo 所需的依赖

12.9.4. 精度测试因为内存不足被kill

对于YOLO系列的模型精度测试，可能需要4G左右的内存空间。SOC环境如果存在内存不足被kill的情况，可以参考SOPHON BSP 开发手册的板卡预制内存布局章节扩大内存。

12. 附录03：BM168x测试指南

12.1. 配置系统环境

12.2. 获取 model-zoo 模型

12.3. 准备运行环境

12.4. 准备数据集

12.4.1. ImageNet

12.4.2. COCO (可选)

12.5. 在非 x86 环境运行性能与精度测试

12.6. 获取 tpu-perf 工具

12.7. 准备工具链编译环境

12.8. 模型性能和精度测试流程

12.8.1. 模型编译

12.8.2. 性能测试

12.8.3. 精度测试

12.9. FAQ

12.9.1. invalid command ‘bdist_wheel’

12.9.2. not a supported wheel

12.9.3. no module named ‘xxx’

12.9.4. 精度测试因为内存不足被kill

12.2. 获取 `model-zoo` 模型

12.6. 获取 `tpu-perf` 工具