Skip to content

Latest commit

 

History

History
executable file
·
319 lines (273 loc) · 22.2 KB

README.md

File metadata and controls

executable file
·
319 lines (273 loc) · 22.2 KB
Raw

简体中文 | English

YOLOv34

目录

1. 简介

作为一种经典的单阶段目标检测框架，YOLO系列的目标检测算法得到了学术界与工业界们的广泛关注。由于YOLO系列属于单阶段目标检测，因而具有较快的推理速度，能够更好的满足现实场景的需求。随着YOLOv3算法的出现，使得YOLO系列的检测算达到了高潮。YOLOv4则是在YOLOv3算法的基础上增加了很多实用的技巧，使得它的速度与精度都得到了极大的提升。

参考repo: [yolov34](GitHub - AlexeyAB/darknet: YOLOv4 / Scaled-YOLOv4 / YOLO - Neural Networks for Object Detection (Windows and Linux version of Darknet ))

2. 特性

  • 支持BM1684X(x86 PCIe、SoC)和BM1684(x86 PCIe、SoC、arm PCIe)
  • 支持FP32、FP16(BM1684X)、INT8模型编译和推理
  • 支持基于BMCV预处理的C++推理
  • 支持基于OpenCV和BMCV预处理的Python推理
  • 支持单batch和多batch模型推理
  • 支持1个输出和3个输出模型推理
  • 支持图片和视频测试

3. 准备模型与数据

建议使用TPU-MLIR编译BModel，Pytorch模型在编译前要导出成onnx模型。

​同时，您需要准备用于测试的数据集，如果量化模型，还要准备用于量化的数据集。

​本例程在scripts目录下提供了相关模型和数据的下载脚本download.sh，您也可以自己准备模型和数据集，并参考4. 模型编译进行模型转换。

# 安装unzip，若已安装请跳过，非ubuntu系统视情况使用yum或其他方式安装
sudo apt install unzip
chmod -R +x scripts/
./scripts/download.sh

下载的模型包括：

./models
├── BM1684
│   ├── yolov3_fp32_1b.bmodel   # 使用TPU-MLIR编译，用于BM1684的FP32 BModel，batch_size=1
│   ├── yolov3_int8_1b.bmodel   # 使用TPU-MLIR编译，用于BM1684的INT8 BModel，batch_size=1
│   ├── yolov3_int8_4b.bmodel   # 使用TPU-MLIR编译，用于BM1684的INT8 BModel，batch_size=4
│   ├── yolov4_fp32_1b.bmodel   # 使用TPU-MLIR编译，用于BM1684的FP32 BModel，batch_size=1
│   ├── yolov4_int8_1b.bmodel   # 使用TPU-MLIR编译，用于BM1684的INT8 BModel，batch_size=1
│   └── yolov4_int8_4b.bmodel   # 使用TPU-MLIR编译，用于BM1684的INT8 BModel，batch_size=4
├── BM1684X
│   ├── yolov3_fp32_1b.bmodel   # 使用TPU-MLIR编译，用于BM1684X的FP32 BModel，batch_size=1
│   ├── yolov3_fp16_1b.bmodel   # 使用TPU-MLIR编译，用于BM1684X的FP16 BModel，batch_size=1
│   ├── yolov3_int8_1b.bmodel   # 使用TPU-MLIR编译，用于BM1684X的INT8 BModel，batch_size=1
│   ├── yolov3_int8_4b.bmodel   # 使用TPU-MLIR编译，用于BM1684X的INT8 BModel，batch_size=4
│   ├── yolov4_fp32_1b.bmodel   # 使用TPU-MLIR编译，用于BM1684X的FP32 BModel，batch_size=1
│   ├── yolov4_fp16_1b.bmodel   # 使用TPU-MLIR编译，用于BM1684X的FP16 BModel，batch_size=1
│   ├── yolov4_int8_1b.bmodel   # 使用TPU-MLIR编译，用于BM1684X的INT8 BModel，batch_size=1
│   └── yolov4_int8_4b.bmodel   # 使用TPU-MLIR编译，用于BM1684X的INT8 BModel，batch_size=4
└── onnx
    ├── yolov3.onnx             # 导出的yolov3 onnx动态模型       
    ├── yolov4_1b.onnx          # 导出的yolov4 1batch onnx模型  
    └── yolov4_4b.onnx          # 导出的yolov4 4batch onnx模型

下载的数据包括：

./datasets
├── test                                      # 测试图片
├── test_car_person_1080P.mp4                 # 测试视频
├── coco.names                                # coco类别名文件
├── coco128                                   # coco128数据集，用于模型量化
└── coco                                      
    ├── val2017_1000                          # coco val2017_1000数据集：coco val2017中随机抽取的1000张样本
    └── instances_val2017_1000.json           # coco val2017_1000数据集标签文件，用于计算精度评价指标

4. 模型编译

导出的模型需要编译成BModel才能在SOPHON TPU上运行，如果使用下载好的BModel可跳过本节。建议使用TPU-MLIR编译BModel。

模型编译前需要安装TPU-MLIR，具体可参考TPU-MLIR环境搭建。安装好后需在TPU-MLIR环境中进入例程目录。使用TPU-MLIR将onnx模型编译为BModel，具体方法可参考《TPU-MLIR快速入门手册》的“3. 编译ONNX模型”(请从算能官网相应版本的SDK中获取)。

  • 生成FP32 BModel

​本例程在scripts目录下提供了TPU-MLIR编译FP32 BModel的脚本，请注意修改gen_fp32bmodel_mlir.sh中的onnx模型路径、生成模型目录和输入大小shapes等参数，并在执行时指定BModel运行的目标平台（支持BM1684/BM1684X），如：

./scripts/yolov3_fp32bmodel_mlir.sh bm1684
#or
./scripts/yolov3_fp32bmodel_mlir.sh bm1684x

​执行上述命令会在models/BM1684或models/BM1684X/下生成yolov3_fp32_1b.bmodel文件，即转换好的FP32 BModel。

./scripts/yolov4_fp32bmodel_mlir.sh bm1684
#or
./scripts/yolov4_fp32bmodel_mlir.sh bm1684x

​执行上述命令会在models/BM1684或models/BM1684X/下生成yolov4_fp32_1b.bmodel文件，即转换好的FP32 BModel。

  • 生成FP16 BModel

​本例程在scripts目录下提供了TPU-MLIR编译FP16 BModel的脚本，请注意修改gen_fp16bmodel_mlir.sh中的onnx模型路径、生成模型目录和输入大小shapes等参数，并在执行时指定BModel运行的目标平台（支持BM1684X），如：

./scripts/yolov3_fp16bmodel_mlir.sh bm1684x

​执行上述命令会在models/BM1684X/下生成yolov3_fp16_1b.bmodel文件，即转换好的FP16 BModel。

./scripts/yolov4_fp16bmodel_mlir.sh bm1684x

​执行上述命令会在models/BM1684X/下生成yolov4_fp16_1b.bmodel文件，即转换好的FP16 BModel。

  • 生成INT8 BModel

​本例程在scripts目录下提供了量化INT8 BModel的脚本，请注意修改gen_int8bmodel_mlir.sh中的onnx模型路径、生成模型目录和输入大小shapes等参数，在执行时输入BModel的目标平台（支持BM1684/BM1684X），如：

./scripts/yolov3_int8bmodel_mlir.sh bm1684
#或
./scripts/yolov3_int8bmodel_mlir.sh bm1684x

​上述脚本会在models/BM1684或models/BM1684X/下生成yolov3_int8_1b.bmodel等文件，即转换好的INT8 BModel。

./scripts/yolov4_int8bmodel_mlir.sh bm1684
#或
./scripts/yolov4_int8bmodel_mlir.sh bm1684x

​上述脚本会在models/BM1684或models/BM1684X/下生成yolov4_int8_1b.bmodel等文件，即转换好的INT8 BModel。建议在转换1684 int8 4b模型时,在脚本中model_deploy.py参数中添加qtable，即--quantize_table ../models/yolov4_4b_int8_qtable \。

5. 例程测试

6. 精度测试

6.1 测试方法

首先，参考C++例程或Python例程推理要测试的数据集，生成预测的json文件，注意修改数据集(datasets/coco/val2017_1000)和相关参数。
然后，使用tools目录下的eval_coco.py脚本，将测试生成的json文件与测试集标签json文件进行对比，计算出目标检测的评价指标，命令如下：

# 安装pycocotools，若已安装请跳过
pip3 install pycocotools
# 请根据实际情况修改程序路径和json文件路径
python3 tools/eval_coco.py --gt_path datasets/coco/instances_val2017_1000.json --result_json results/yolov3_fp32_1b.bmodel_val2017_1000_opencv_python_result.json

6.2 测试结果

在coco2017val_1000数据集上，推理时设置参数：--conf_thresh=0.001 --nms_thresh=0.6，yolov3精度测试结果如下：

测试平台 测试程序 测试模型 AP@IoU=0.5:0.95 AP@IoU=0.5
BM1684 PCIe yolov34_opencv.py yolov3_fp32_1b.bmodel 0.471 0.663
BM1684 PCIe yolov34_opencv.py yolov3_int8_1b.bmodel 0.383 0.623
BM1684 PCIe yolov34_bmcv.py yolov3_fp32_1b.bmodel 0.458 0.657
BM1684 PCIe yolov34_bmcv.py yolov3_int8_1b.bmodel 0.371 0.614
BM1684 PCIe yolov34_bmcv.pcie yolov3_fp32_1b.bmodel 0.446 0.650
BM1684 PCIe yolov34_bmcv.pcie yolov3_int8_1b.bmodel 0.370 0.614
BM1684 PCIe yolov34_sail.pcie yolov3_fp32_1b.bmodel 0.446 0.650
BM1684 PCIe yolov34_sail.pcie yolov3_int8_1b.bmodel 0.370 0.614
BM1684X PCIe yolov34_opencv.py yolov3_fp32_1b.bmodel 0.470 0.663
BM1684X PCIe yolov34_opencv.py yolov3_fp16_1b.bmodel 0.470 0.663
BM1684X PCIe yolov34_opencv.py yolov3_int8_1b.bmodel 0.446 0.657
BM1684X PCIe yolov34_bmcv.py yolov3_fp32_1b.bmodel 0.458 0.657
BM1684X PCIe yolov34_bmcv.py yolov3_fp16_1b.bmodel 0.458 0.657
BM1684X PCIe yolov34_bmcv.py yolov3_int8_1b.bmodel 0.436 0.651
BM1684X PCIe yolov34_bmcv.pcie yolov3_fp32_1b.bmodel 0.446 0.649
BM1684X PCIe yolov34_bmcv.pcie yolov3_fp16_1b.bmodel 0.446 0.649
BM1684X PCIe yolov34_bmcv.pcie yolov3_int8_1b.bmodel 0.427 0.641
BM1684X PCIe yolov34_sail.pcie yolov3_fp32_1b.bmodel 0.446 0.649
BM1684X PCIe yolov34_sail.pcie yolov3_fp16_1b.bmodel 0.446 0.649
BM1684X PCIe yolov34_sail.pcie yolov3_int8_1b.bmodel 0.427 0.641

在coco2017val_1000数据集上，推理时设置参数：--conf_thresh=0.3 --nms_thresh=0.5，yolov4精度测试结果如下：

测试平台 测试程序 测试模型 AP@IoU=0.5:0.95 AP@IoU=0.5
BM1684 PCIe yolov34_opencv.py yolov4_fp32_1b.bmodel 0.252 0.526
BM1684 PCIe yolov34_opencv.py yolov4_int8_1b.bmodel 0.208 0.460
BM1684 PCIe yolov34_bmcv.py yolov4_fp32_1b.bmodel 0.242 0.504
BM1684 PCIe yolov34_bmcv.py yolov4_int8_1b.bmodel 0.200 0.436
BM1684 PCIe yolov34_bmcv.pcie yolov4_fp32_1b.bmodel 0.248 0.524
BM1684 PCIe yolov34_bmcv.pcie yolov4_int8_1b.bmodel 0.204 0.457
BM1684 PCIe yolov34_sail.pcie yolov4_fp32_1b.bmodel 0.246 0.521
BM1684 PCIe yolov34_sail.pcie yolov4_int8_1b.bmodel 0.204 0.457
BM1684X PCIe yolov34_opencv.py yolov4_fp32_1b.bmodel 0.252 0.527
BM1684X PCIe yolov34_opencv.py yolov4_fp16_1b.bmodel 0.252 0.526
BM1684X PCIe yolov34_opencv.py yolov4_int8_1b.bmodel 0.237 0.499
BM1684X PCIe yolov34_bmcv.py yolov4_fp32_1b.bmodel 0.244 0.509
BM1684X PCIe yolov34_bmcv.py yolov4_fp16_1b.bmodel 0.240 0.501
BM1684X PCIe yolov34_bmcv.py yolov4_int8_1b.bmodel 0.225 0.472
BM1684X PCIe yolov34_bmcv.pcie yolov4_fp32_1b.bmodel 0.247 0.523
BM1684X PCIe yolov34_bmcv.pcie yolov4_fp16_1b.bmodel 0.247 0.524
BM1684X PCIe yolov34_bmcv.pcie yolov4_int8_1b.bmodel 0.232 0.496
BM1684X PCIe yolov34_sail.pcie yolov4_fp32_1b.bmodel 0.247 0.523
BM1684X PCIe yolov34_sail.pcie yolov4_fp16_1b.bmodel 0.247 0.524
BM1684X PCIe yolov34_sail.pcie yolov4_int8_1b.bmodel 0.232 0.496

测试说明：

  1. batch_size=4和batch_size=1的模型精度一致；
  2. SoC和PCIe的模型精度一致；
  3. AP@IoU=0.5:0.95为area=all对应的指标。

7. 性能测试

7.1 bmrt_test

使用bmrt_test测试模型的理论性能：

# 请根据实际情况修改要测试的bmodel路径和devid参数
bmrt_test --bmodel models/BM1684/yolov3_fp32_1b.bmodel

测试结果中的calculate time就是模型推理的时间，多batch size模型应当除以相应的batch size才是每张图片的理论推理时间。 测试各个模型的理论推理时间，结果如下：

测试模型 calculate time(ms)
BM1684/yolov3_fp32_1b.bmodel 102.2
BM1684/yolov3_int8_1b.bmodel 53.7
BM1684/yolov3_int8_4b.bmodel 19.3
BM1684X/yolov3_fp32_1b.bmodel 146.5
BM1684X/yolov3_fp16_1b.bmodel 21.3
BM1684X/yolov3_int8_1b.bmodel 8.9
BM1684X/yolov3_int8_4b.bmodel 8.8
BM1684/yolov4_fp32_1b.bmodel 77.5
BM1684/yolov4_int8_1b.bmodel 28.6
BM1684/yolov4_int8_4b.bmodel 13.4
BM1684X/yolov4_fp32_1b.bmodel 67.2
BM1684X/yolov4_fp16_1b.bmodel 13.2
BM1684X/yolov4_int8_1b.bmodel 5.9
BM1684X/yolov4_int8_4b.bmodel 5.5

测试说明：

  1. 性能测试结果具有一定的波动性；
  2. calculate time已折算为平均每张图片的推理时间；
  3. SoC和PCIe的测试结果基本一致。

7.2 程序运行性能

参考C++例程或Python例程运行程序，并查看统计的解码时间、预处理时间、推理时间、后处理时间。C++例程打印的预处理时间、推理时间、后处理时间为整个batch处理的时间，需除以相应的batch size才是每张图片的处理时间。

在不同的测试平台上，使用不同的例程、模型测试datasets/coco/val2017_1000，conf_thresh=0.001，nms_thresh=0.6，yolov3性能测试结果如下：

测试平台 测试程序 测试模型 decode_time preprocess_time inference_time postprocess_time
BM1684 SoC yolov34_opencv.py yolov3_fp32_1b.bmodel 15.3 25.1 112.0 159.2
BM1684 SoC yolov34_opencv.py yolov3_int8_1b.bmodel 15.1 24.7 63.5 157.6
BM1684 SoC yolov34_opencv.py yolov3_int8_4b.bmodel 15.0 23.2 27.5 152.7
BM1684 SoC yolov34_bmcv.py yolov3_fp32_1b.bmodel 3.6 2.8 107.8 166.3
BM1684 SoC yolov34_bmcv.py yolov3_int8_1b.bmodel 3.6 2.8 59.0 162.7
BM1684 SoC yolov34_bmcv.py yolov3_int8_4b.bmodel 3.4 2.6 23.9 159.1
BM1684 SoC yolov34_bmcv.soc yolov3_fp32_1b.bmodel 5.1 1.5 102.2 20.1
BM1684 SoC yolov34_bmcv.soc yolov3_int8_1b.bmodel 5.1 1.6 53.6 20.3
BM1684 SoC yolov34_bmcv.soc yolov3_int8_4b.bmodel 4.9 1.5 19.3 20.0
BM1684 SoC yolov34_sail.soc yolov3_fp32_1b.bmodel 4.5 2.9 103.0 18.5
BM1684 SoC yolov34_sail.soc yolov3_int8_1b.bmodel 3.3 2.9 54.5 18.7
BM1684 SoC yolov34_sail.soc yolov3_int8_4b.bmodel 3.1 2.7 20.1 18.6
BM1684X SoC yolov34_opencv.py yolov3_fp32_1b.bmodel 3.7 8.8 194.5 28.5
BM1684X SoC yolov34_opencv.py yolov3_fp16_1b.bmodel 3.7 8.2 39.3 23.5
BM1684X SoC yolov34_opencv.py yolov3_int8_1b.bmodel 3.6 7.9 21.9 19.6
BM1684X SoC yolov34_opencv.py yolov3_int8_4b.bmodel 3.2 8.5 5.4 21.6
BM1684X SoC yolov34_bmcv.py yolov3_fp32_1b.bmodel 3.1 1.7 167.4 26.0
BM1684X SoC yolov34_bmcv.py yolov3_fp16_1b.bmodel 3.4 1.9 34.2 26.5
BM1684X SoC yolov34_bmcv.py yolov3_int8_1b.bmodel 3.9 2.5 16.6 22.2
BM1684X SoC yolov34_bmcv.py yolov3_int8_4b.bmodel 3.9 2.4 4.2 23.3
BM1684X SoC yolov34_bmcv.soc yolov3_fp32_1b.bmodel 4.4 1.2 169.0 20.0
BM1684X SoC yolov34_bmcv.soc yolov3_fp16_1b.bmodel 4.4 1.2 26.3 19.9
BM1684X SoC yolov34_bmcv.soc yolov3_int8_1b.bmodel 4.3 1.2 9.3 19.6
BM1684X SoC yolov34_bmcv.soc yolov3_int8_4b.bmodel 3.9 1.0 9.7 15.1
BM1684X SoC yolov34_sail.soc yolov3_fp32_1b.bmodel 4.0 1.6 153.1 14.8
BM1684X SoC yolov34_sail.soc yolov3_fp16_1b.bmodel 3.9 1.5 32.5 14.8
BM1684X SoC yolov34_sail.soc yolov3_int8_1b.bmodel 4.0 1.6 16.2 14.8
BM1684X SoC yolov34_sail.soc yolov3_int8_4b.bmodel 3.9 1.4 15.4 9.8

在不同的测试平台上，使用不同的例程、模型测试datasets/coco/val2017_1000，conf_thresh=0.3，nms_thresh=0.5，yolov4性能测试结果如下：

测试平台 测试程序 测试模型 decode_time preprocess_time inference_time postprocess_time
BM1684 SoC yolov34_opencv.py yolov4_fp32_1b.bmodel 2.9 2.0 84.2 10.4
BM1684 SoC yolov34_opencv.py yolov4_int8_1b.bmodel 2.8 1.8 34.8 7.8
BM1684 SoC yolov34_opencv.py yolov4_int8_4b.bmodel 2.7 2.0 20.2 6.0
BM1684 SoC yolov34_bmcv.py yolov4_fp32_1b.bmodel 2.7 2.1 81.6 10.4
BM1684 SoC yolov34_bmcv.py yolov4_int8_1b.bmodel 2.6 1.9 32.5 10.4
BM1684 SoC yolov34_bmcv.py yolov4_int8_4b.bmodel 2.3 1.6 16.8 5.4
BM1684 SoC yolov34_bmcv.soc yolov4_fp32_1b.bmodel 4.9 1.6 77.5 8.3
BM1684 SoC yolov34_bmcv.soc yolov4_int8_1b.bmodel 4.7 1.5 28.6 7.9
BM1684 SoC yolov34_bmcv.soc yolov4_int8_4b.bmodel 3.6 1.4 13.8 6.2
BM1684 SoC yolov34_sail.soc yolov4_fp32_1b.bmodel 4.2 14.2 80.6 5.4
BM1684 SoC yolov34_sail.soc yolov4_int8_1b.bmodel 4.1 11.8 31.4 5.1
BM1684 SoC yolov34_sail.soc yolov4_int8_4b.bmodel 3.5 2.6 15.6 2.7
BM1684X SoC yolov34_opencv.py yolov4_fp32_1b.bmodel 3.0 2.1 73.7 11.0
BM1684X SoC yolov34_opencv.py yolov4_fp16_1b.bmodel 3.0 2.5 20.6 5.5
BM1684X SoC yolov34_opencv.py yolov4_int8_1b.bmodel 3.2 2.9 15.2 7.6
BM1684X SoC yolov34_opencv.py yolov4_int8_4b.bmodel 3.0 2.8 15.2 14.2
BM1684X SoC yolov34_bmcv.py yolov4_fp32_1b.bmodel 2.3 1.3 72.0 10.7
BM1684X SoC yolov34_bmcv.py yolov4_fp16_1b.bmodel 2.1 1.1 17.1 8.5
BM1684X SoC yolov34_bmcv.py yolov4_int8_1b.bmodel 2.1 1.1 9.7 5.5
BM1684X SoC yolov34_bmcv.py yolov4_int8_4b.bmodel 2.0 1.0 11.8 12.6
BM1684X SoC yolov34_bmcv.soc yolov4_fp32_1b.bmodel 4.4 0.7 67.2 8.5
BM1684X SoC yolov34_bmcv.soc yolov4_fp16_1b.bmodel 4.1 0.6 13.1 8.1
BM1684X SoC yolov34_bmcv.soc yolov4_int8_1b.bmodel 3.6 0.6 5.9 7.3
BM1684X SoC yolov34_bmcv.soc yolov4_int8_4b.bmodel 3.1 0.5 5.4 6.2
BM1684X SoC yolov34_sail.soc yolov4_fp32_1b.bmodel 4.0 12.3 70.6 5.4
BM1684X SoC yolov34_sail.soc yolov4_fp16_1b.bmodel 3.5 8.7 15.9 4.4
BM1684X SoC yolov34_sail.soc yolov4_int8_1b.bmodel 3.2 6.2 8.3 2.5
BM1684X SoC yolov34_sail.soc yolov4_int8_4b.bmodel 3.2 2.3 8.3 3.1

测试说明：

  1. 时间单位均为毫秒(ms)，统计的时间均为平均每张图片处理的时间；
  2. 性能测试结果具有一定的波动性，建议多次测试取平均值；
  3. BM1684/1684X SoC的主控处理器均为8核 ARM A53 42320 DMIPS @2.3GHz，PCIe上的性能由于处理器的不同可能存在较大差异；
  4. 图片分辨率对解码时间影响较大，推理结果对后处理时间影响较大，不同的测试图片可能存在较大差异，不同的阈值对后处理时间影响较大。