[IREE] Inference & Benchmark

src/inference/README.md

@@ -17,6 +17,7 @@
 1. ncnn.
 1. PaddlePaddle.
 1. Spektral.
+1. IREE.
 
 ## Вывод глубоких моделей с использованием Inference Engine
 
@@ -1482,6 +1483,82 @@ python inference_ncnn.py --model <model_name> \
                          --batch_size <batch_size>
 ```
 
+## Вывод глубоких моделей с использованием IREE
+
+#### Аргументы командной строки
+
+Название скрипта:
+
+```bash
+inference_iree.py
+```
+
+Обязательные аргументы:
+
+- `-m / --model` - путь до vmfb-файла, содержащего скомпилированную модель.
+- `-fn / --function_name` - название функции, которая будет вызвана IREE для исполнения модели.
+- `-i / --input` - путь до изображения или директории с изображениями
+  (расширения файлов `.jpg`, `.png`, `.bmp` и т.д.).
+- `-is / --input_shape` - размеры входного тензора сети в формате
+  BxCxWxH, B - размер пачки, C - количество каналов изображений,
+  W - ширина изображений, H - высота изображений.
+
+Опциональные аргументы:
+
+- `-b / --batch_size` - количество изображений, которые будут обработаны
+  за один проход сети. По умолчанию равно `1`.
+- `-ni / --number_iter` - количество прямых проходов по сети.
+  По умолчанию выполняется один проход по сети.
+- `--time` - время выполнения инференса в секундах. Этот параметр можно 
+  задать вместо задать вместо параметра `-ni / --number_iter`. Если 
+  одновременно указать и `-ni / --number_iter` и `--time`,
+  то будет учитываться тот параметр, при котором инферес работает дольше.
+- `--layout` - формат входных тензоров. По умолчанию `NHWС`.
+- `--channel_swap` - порядок перестановки цветовых каналов изображения.
+  Загрузка изображений осуществляется в формате BGR (порядок
+  соответствует `(0, 1, 2)`), а большинство нейронных сетей принимают
+  на вход изображения в формате RGB, поэтому по умолчанию порядок
+  `(2, 1, 0)`.
+- `--norm` - флаг необходимости нормировки изображений.
+  Среднее и среднеквадратическое отклонение, которые принимаются
+  на вход указываются в следующих двух аргументах.
+- `--mean` - среднее значение интенсивности, которое вычитается
+  из изображений в процессе нормировки. По умолчанию
+  данный параметр принимает значение `0 0 0`.
+- `--std` - среднеквадратическое отклонение интенсивности, на которое
+  делится значение интенсивности каждого пикселя входного изображения
+  в процессе нормировки. По умолчанию данный параметр принимает значение `1 1 1`.
+- `-t / --task` - название задачи. Текущая реализация поддерживает
+  решение задачи классификации (`classification`). По умолчанию принимает значение `feedforward`.
+- `-nt / --number_top` - количество лучших результатов, выводимых
+  при решении задачи классификации. По умолчанию выводится `10` наилучших
+  результатов.
+- `-l / --labels`- путь до файла в формате JSON с перечнем меток
+  при решении задачи. По умолчанию принимает значение
+  `image_net_labels.json`, что соответствует меткам набора данных
+  ImageNet.
+- `-d / --device` - оборудование, на котором выполняется вывод сети.
+  Поддерживается вывод на CPU (значение параметра `CPU`). По умолчанию принимает значение `CPU`.
+- `--raw_output` - работа скрипта без логов. По умолчанию не установлен.
+- `--report_path` - путь до файла с отчетом в формате `.json`.
+
+
+#### Примеры запуска
+
+**Командная строка для решения задачи классификации изображений**
+
+```bash
+python3 inference_iree.py \
+    -t classification -i <path_to_image>/<image_name> \
+    -m <path_to_model>/<model_name>.vmfb \
+    --function_name main_graph \
+    --input_shape 1 3 224 224 \ 
+    --labels <path_to_labels>/image_net_synset.txt
+```
+
+Результат выполнения: набор наиболее вероятных классов, которым принадлежит
+изображение.
+
 <!-- LINKS -->
 [execution_providers]: https://onnxruntime.ai/docs/execution-providers
 [gluon_modelzoo]: https://cv.gluon.ai/model_zoo/index.html
@@ -1492,3 +1569,4 @@ python inference_ncnn.py --model <model_name> \
 [dgl]: https://www.dgl.ai/pages/start.html
 [ogb]: https://ogb.stanford.edu/
 [tensorflow-gpu]: https://www.tensorflow.org/install/pip
+[iree]: https://iree.dev/