Label-Free模式（以post_training_quant接口为例）

前提条件

• 已参考环境准备，完成CANN开发环境的部署及Python环境变量配置。
• 训练后量化前须执行命令安装依赖。

  如下命令如果使用非root用户安装，需要在安装命令后加上--user，例如：pip3 install onnx --user。

  pip3 install onnx==1.13.0
  pip3 install onnxruntime==1.14.1

功能实现流程

用户需准备好onnx模型和数据集，调用post_training_quant接口生成量化配置脚本，运行脚本输出量化后的onnx模型，并自行转换后进行推理。

关键步骤说明如下：

图1 post_training_quant接口功能实现流程

1. 用户准备onnx原始模型和数据集，使用QuantConfig配置量化参数，可基于静态shape和动态shape场景进行自定义配置，关于矫正数据的输入，可以参考数据预处理提供的两种方式进行配置。
2. 调用run_quantize保存量化后的模型。
3. 模型转换。

   参考《ATC工具使用指南》或使用其他转换工具，将onnx模型转换为OM模型，并进行推理。

静态shape模型量化步骤（以ResNet50为例）

1. 本样例以ResNet50为例，参考README中“准备数据集”章节获取ImageNet数据集即可，无需预处理，同时参考“模型推理”章节导出onnx文件。
2. 新建模型量化脚本resnet50_quant.py，编辑resnet50_quant.py文件，导入如下样例代码。

   from modelslim.onnx.post_training_quant import QuantConfig, run_quantize  # 导入post_training_quant量化接口
   from modelslim.onnx.post_training_quant.label_free.preprocess_func import preprocess_func_imagenet  # 导入预置的ImageNet数据集预处理函数preprocess_func_imagenet
   from modelslim import set_logger_level  # 可选，导入日志配置接口
   set_logger_level("info")  # 可选，调整日志输出等级，配置为info时，启动量化任务后将打屏显示量化调优的日志信息
   
   # 用户需要自行准备一小批矫正数据集，读取数据集进行数据预处理，并将数据存入calib_data
   def custom_read_data():
       calib_data = preprocess_func_imagenet("./data_path/")  # 调用数据集预处理函数，请根据数据集实际路径配置，不使用该预处理函数时请参考数据预处理自行配置
       return calib_data
   calib_data = custom_read_data()
   
   quant_config = QuantConfig(calib_data = calib_data, amp_num = 5)  # 使用QuantConfig接口，配置量化参数，返回量化配置实例
   
   input_model_path = "./resnet50_official.onnx"  # 配置待量化模型的输入路径，请根据实际路径配置
   output_model_path = "./resnet50_official_quant.onnx"  # 配置量化后模型的名称及输出路径，请根据实际路径配置
   
   run_quantize(input_model_path,output_model_path,quant_config)  # 使用run_quantize接口执行量化，配置待量化模型和量化后模型的路径及名称，

3. 启动模型量化调优任务，并在指定的输出目录获取一个量化完成的模型。

   python3 resnet50_quant.py

4. 量化后的ONNX模型可参考README中“模型推理”章节，将ONNX模型转换为OM模型，并进行精度验证。

动态shape模型量化步骤（以YoloV5m为例）

1. 本样例以YoloV5m为例，参考对应README中“模型推理”章节，导出动态shape的onnx文件。
2. 新建模型的量化脚本yolov5m_quant.py，编辑yolov5m_quant.py文件，导入如下样例代码。

   from modelslim.onnx.post_training_quant import QuantConfig, run_quantize  # 导入post_training_quant量化接口
   from modelslim import set_logger_level  # 可选，导入日志配置接口
   set_logger_level("info")  # 可选，调整日志输出等级，配置为info时，启动量化任务后将打屏显示量化调优的日志信息
   
   # 用户需要自行准备一小批矫正数据集，读取数据集进行数据预处理，并将数据存入calib_data，当前配置示例为空时，将随机生成矫正数据
   def custom_read_data():
       calib_data = []
       # 可读取数据集，进行数据预处理，将数据存入calib_data
       return calib_data
   calib_data = custom_read_data()
   
   quant_config = QuantConfig(calib_data = calib_data, amp_num = 5, is_dynamic_shape = True, input_shape = [[1,3,640,640]])  # 使用QuantConfig接口，配置量化参数，返回量化配置实例，当前示例中is_dynamic_shape和input_shape参数在动态shape场景下必须配置。
   
   input_model_path = "./yolov5m.onnx"  # 配置待量化模型的输入路径，请根据实际路径配置
   output_model_path = "./yolov5m_quant.onnx"  # 配置量化后模型的名称及输出路径，请根据实际路径配置
   
   run_quantize(input_model_path,output_model_path,quant_config)  # 使用run_quantize接口执行量化，配置待量化模型和量化后模型的路径及名称，

3. 启动模型量化调优任务，并在指定的输出目录获取一个量化完成的模型。

   python3 yolov5m_quant.py

4. 量化后的ONNX模型可参考README中“模型推理”章节，将ONNX模型转换为OM模型，并进行精度验证。

数据预处理

post_training_quant接口进行Label-Free量化配置时，用户需要自行准备一小批矫正数据集，读取数据集进行数据预处理，并返回预处理后的矫正数据以用于量化。现支持通过ModelSlim工具预置的数据集预处理函数和自行准备矫正数据两种方式：

• 方式一：ModelSlim工具预置preprocess_func_imagenet和preprocess_func_coco函数，对ImageNet和COCO数据集进行预处理，请参见接口对应的调用示例进行配置。
• 方式二：自行准备矫正数据集，并返回矫正数据用于量化配置，配置要求请参见QuantConfig的calib_data参数，以输入单张图片为例进行配置：

  import cv2
  import numpy as np
  import pandas as pd
  …
  
  calib_data = []
      image = cv2.imdecode(np.fromfile("./random_image.jpg", dtype=np.uint8), 1)  #请以数据集实际路径进行配置
      image = cv2.resize(image, (640, 640), interpolation=cv2.INTER_CUBIC)
      image = cv2.cvtColor(image, cv2.COLOR_BGR2RGB)
      image = torch.from_numpy(image).permute(2, 0, 1) / 255
      image = image.unsqueeze(0)
      calib_data.append([np.array(image)])