search

radxa-edge / TPU-Edge-AI

AI Example for BM1684X TPU
Other
6 stars 0 forks source link

我用自己的数据集训练后，int8精度远低于f16精度 #1

Open yang200290 opened 5 months ago

yang200290 commented 5 months ago

在yolov8转换的过程中，我如果设置了test就转不出来int8，所以我删去了test但是转出来的bmodel效果极差，检测能力基本为0，但是f16效果却很好，请问一下这个问题有解决方法吗？

zifeng-radxa commented 5 months ago

添加 test 可以先查看是那一层运算出现精度损失，基于你 f16 是正确的可以确定你的模型结构与算子是可被TPU-MLIR接受的，但是 INT8 量化需要现制作量化表，基于这个量化表才能进行INT8量化，如果没有是不能进行直接量化的

yang200290 commented 5 months ago

添加 test 可以先查看是那一层运算出现精度损失，基于你 f16 是正确的可以确定你的模型结构与算子是可被TPU-MLIR接受的，但是 INT8 量化需要现制作量化表，基于这个量化表才能进行INT8量化，如果没有是不能进行直接量化的

我跑了量化表，这个也是正常的，但是就是转int8的时候test过不了

zifeng-radxa commented 5 months ago

你的量化表是需要你自己的部分数据集，deploy 加 test 可以通过修改参数增大容差， | tolerance | 否 | MLIR 量化和 MLIR fp32 推断结果之间的最小相似度容差 | | correctnetss | 否 | 模拟器和 MLIR 量化推断结果之间的最小相似度容

run_qtable.py yolov5s.mlir \
    --dataset ../COCO2017 \
    --calibration_table yolov5s_cali_table \
    --chip bm1684x \
    --min_layer_cos 0.999 \ #若这里使用默认的0.99时，程序会检测到原始int8模型已满足0.99的cos，从而直接不再搜素
    --expected_cos 0.9999 \
    -o yolov5s_qtable
yang200290 commented 5 months ago

你的量化表是需要你自己的部分数据集，deploy 加 test 可以通过修改参数增大容差， | tolerance | 否 | MLIR 量化和 MLIR fp32 推断结果之间的最小相似度容差 | | correctnetss | 否 | 模拟器和 MLIR 量化推断结果之间的最小相似度容

run_qtable.py yolov5s.mlir \
    --dataset ../COCO2017 \
    --calibration_table yolov5s_cali_table \
    --chip bm1684x \
    --min_layer_cos 0.999 \ #若这里使用默认的0.99时，程序会检测到原始int8模型已满足0.99的cos，从而直接不再搜素
    --expected_cos 0.9999 \
    -o yolov5s_qtable

我是量化表是用自己的数据集跑出来的结果，量化表的容差使用的默认容差，没有报错。就是生成int8时使用了test就会报错

zifeng-radxa commented 5 months ago

test 报错是正常的，因为只要比对不过都会出错，此时可以查看哪里有精度误差