Skip to content

Latest commit

 

History

History
242 lines (201 loc) · 14.8 KB

README.md

File metadata and controls

242 lines (201 loc) · 14.8 KB

简体中文 | English

YOLOx

目录

1. 简介

YOLOx由旷世研究提出,是基于YOLO系列的改进，引入了解耦头和Anchor-free，提高算法整体的检测性能

论文地址 (https://arxiv.org/abs/2107.08430)

官方源码地址 (https://github.com/Megvii-BaseDetection/YOLOX)

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、sail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
  • 支持图片和视频测试

3. 准备模型与数据

推荐您使用新版编译工具链TPU-MLIR编译BModel，目前直接支持的框架有ONNX、Caffe和TFLite，其他框架的模型需要转换成onnx模型。如何将其他深度学习架构的网络模型转换成onnx, 可以参考onnx官网: https://github.com/onnx/tutorials ；YOLOX模型导出为onnx的方法可参考官方工具：https://github.com/Megvii-BaseDetection/YOLOX/tree/main/demo/ONNXRuntime

旧版编译工具链TPU-NNTC更新维护较慢，不推荐您编译使用。

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集的下载脚本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
│   ├── yolox_s_fp32_1b.bmodel   # 使用TPU-MLIR编译，用于BM1684的FP32 BModel，batch_size=1
│   ├── yolox_s_fp32_4b.bmodel   # 使用TPU-MLIR编译，用于BM1684的FP32 BModel，batch_size=4
│   ├── yolox_s_int8_1b.bmodel   # 使用TPU-MLIR编译，用于BM1684的INT8 BModel，batch_size=1
│   └── yolox_s_int8_4b.bmodel   # 使用TPU-MLIR编译，用于BM1684的INT8 BModel，batch_size=4
├── BM1684X
│   ├── yolox_s_fp32_1b.bmodel   # 使用TPU-MLIR编译，用于BM1684X的FP32 BModel，batch_size=1
│   ├── yolox_s_fp32_4b.bmodel   # 使用TPU-MLIR编译，用于BM1684X的FP32 BModel，batch_size=4
│   ├── yolox_s_fp16_1b.bmodel   # 使用TPU-MLIR编译，用于BM1684X的FP16 BModel，batch_size=1
│   ├── yolox_s_fp16_4b.bmodel   # 使用TPU-MLIR编译，用于BM1684X的FP16 BModel，batch_size=4
│   ├── yolox_s_int8_1b.bmodel   # 使用TPU-MLIR编译，用于BM1684X的INT8 BModel，batch_size=1
│   └── yolox_s_int8_4b.bmodel   # 使用TPU-MLIR编译，用于BM1684X的INT8 BModel，batch_size=4
│── torch
│   └── yolox_s.pt               # trace后的torchscript模型
└── onnx
    └── yolox_s.onnx             # 导出的onnx动态模型      
    └── yolox_s.qtable           # 用于MLIR混精度移植的配置文件

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/gen_fp32bmodel_mlir.sh bm1684
#or
./scripts/gen_fp32bmodel_mlir.sh bm1684x

​执行上述命令会在models/BM1684或models/BM1684X/下生成yolox_s_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/gen_fp16bmodel_mlir.sh bm1684x

​执行上述命令会在models/BM1684X/下生成yolox_s_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/gen_int8bmodel_mlir.sh bm1684
#或
./scripts/gen_int8bmodel_mlir.sh bm1684x

​上述脚本会在models/BM1684或models/BM1684X/下生成yolox_s_int8_1b.bmodel等文件，即转换好的INT8 BModel。

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(conf_thresh=0.001、nms_thresh=0.6)。
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/yolox_s_fp32_1b.bmodel_val2017_1000_opencv_python_result.json

6.2 测试结果

在coco2017val_1000数据集上，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 yolox_opencv.py yolox_s_fp32_1b.bmodel 0.366 0.530
BM1684 PCIe yolox_opencv.py yolox_s_int8_1b.bmodel 0.335 0.493
BM1684 PCIe yolox_bmcv.py yolox_s_fp32_1b.bmodel 0.363 0.525
BM1684 PCIe yolox_bmcv.py yolox_s_int8_1b.bmodel 0.329 0.485
BM1684 PCIe yolox_bmcv.pcie yolox_s_fp32_1b.bmodel 0.364 0.534
BM1684 PCIe yolox_bmcv.pcie yolox_s_int8_1b.bmodel 0.332 0.498
BM1684 PCIe yolox_sail.pcie yolox_s_fp32_1b.bmodel 0.351 0.516
BM1684 PCIe yolox_sail.pcie yolox_s_int8_1b.bmodel 0.319 0.478
BM1684X PCIe yolox_opencv.py yolox_s_fp32_1b.bmodel 0.366 0.530
BM1684X PCIe yolox_opencv.py yolox_s_fp16_1b.bmodel 0.366 0.530
BM1684X PCIe yolox_opencv.py yolox_s_int8_1b.bmodel 0.357 0.529
BM1684X PCIe yolox_bmcv.py yolox_s_fp32_1b.bmodel 0.363 0.525
BM1684X PCIe yolox_bmcv.py yolox_s_fp16_1b.bmodel 0.363 0.525
BM1684X PCIe yolox_bmcv.py yolox_s_int8_1b.bmodel 0.353 0.524
BM1684X PCIe yolox_bmcv.pcie yolox_s_fp32_1b.bmodel 0.363 0.534
BM1684X PCIe yolox_bmcv.pcie yolox_s_fp16_1b.bmodel 0.363 0.534
BM1684X PCIe yolox_bmcv.pcie yolox_s_int8_1b.bmodel 0.351 0.527
BM1684X PCIe yolox_sail.pcie yolox_s_fp32_1b.bmodel 0.350 0.516
BM1684X PCIe yolox_sail.pcie yolox_s_fp16_1b.bmodel 0.350 0.516
BM1684X PCIe yolox_sail.pcie yolox_s_int8_1b.bmodel 0.337 0.506

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/yolox_s_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/yolox_s_fp32_1b.bmodel | 26.01 | | BM1684/yolox_s_fp32_4b.bmodel | 25.62 | | BM1684/yolox_s_int8_1b.bmodel | 16.54 | | BM1684/yolox_s_int8_4b.bmodel | 11.72 | | BM1684X/yolox_s_fp32_1b.bmodel | 27.92 | | BM1684X/yolox_s_fp32_4b.bmodel | 25.63 | | BM1684X/yolox_s_fp16_1b.bmodel | 6.27 | | BM1684X/yolox_s_fp16_4b.bmodel | 6.15 | | BM1684X/yolox_s_int8_1b.bmodel | 3.86 | | BM1684X/yolox_s_int8_4b.bmodel | 3.69 |

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/val2017_1000，conf_thresh=0.5，nms_thresh=0.5，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 yolox_opencv.py yolox_s_fp32_1b.bmodel 3.29 13.77 40.40 75.62
BM1684 SoC yolox_opencv.py yolox_s_int8_1b.bmodel 3.28 13.86 43.68 76.78
BM1684 SoC yolox_opencv.py yolox_s_int8_4b.bmodel 4.07 14.73 38.44 74.24
BM1684 SoC yolox_bmcv.py yolox_s_fp32_1b.bmodel 3.70 2.88 28.16 75.79
BM1684 SoC yolox_bmcv.py yolox_s_int8_1b.bmodel 2.64 2.45 18.75 75.86
BM1684 SoC yolox_bmcv.py yolox_s_int8_4b.bmodel 2.58 2.30 13.86 74.06
BM1684 SoC yolox_bmcv.soc yolox_s_fp32_1b.bmodel 4.52 1.72 25.78 2.71
BM1684 SoC yolox_bmcv.soc yolox_s_int8_1b.bmodel 4.57 1.78 16.32 2.73
BM1684 SoC yolox_bmcv.soc yolox_s_int8_4b.bmodel 4.57 1.73 11.58 2.61
BM1684 SoC yolox_sail.soc yolox_s_fp32_1b.bmodel 2.58 3.91 26.24 2.10
BM1684 SoC yolox_sail.soc yolox_s_int8_1b.bmodel 2.59 2.38 16.83 2.08
BM1684 SoC yolox_sail.soc yolox_s_int8_4b.bmodel 2.51 2.31 11.97 2.10
BM1684X SoC yolox_opencv.py yolox_s_fp32_1b.bmodel 3.37 13.56 52.09 77.07
BM1684X SoC yolox_opencv.py yolox_s_fp16_1b.bmodel 3.38 13.43 29.83 78.84
BM1684X SoC yolox_opencv.py yolox_s_int8_1b.bmodel 3.37 13.48 27.52 77.18
BM1684X SoC yolox_opencv.py yolox_s_int8_4b.bmodel 3.84 15.42 28.95 76.63
BM1684X SoC yolox_bmcv.py yolox_s_fp32_1b.bmodel 2.49 2.74 33.98 77.05
BM1684X SoC yolox_bmcv.py yolox_s_fp16_1b.bmodel 2.46 2.73 11.97 78.40
BM1684X SoC yolox_bmcv.py yolox_s_int8_1b.bmodel 2.44 2.76 9.37 77.40
BM1684X SoC yolox_bmcv.py yolox_s_int8_4b.bmodel 2.25 2.59 10.11 75.72
BM1684X SoC yolox_bmcv.soc yolox_s_fp32_1b.bmodel 4.28 0.95 29.05 2.68
BM1684X SoC yolox_bmcv.soc yolox_s_fp16_1b.bmodel 4.20 0.95 7.10 2.65
BM1684X SoC yolox_bmcv.soc yolox_s_int8_1b.bmodel 4.23 0.95 4.50 2.65
BM1684X SoC yolox_bmcv.soc yolox_s_int8_4b.bmodel 4.08 0.93 4.46 2.92
BM1684X SoC yolox_sail.soc yolox_s_fp32_1b.bmodel 2.37 3.67 29.50 2.05
BM1684X SoC yolox_sail.soc yolox_s_fp16_1b.bmodel 2.38 3.62 7.55 2.05
BM1684X SoC yolox_sail.soc yolox_s_int8_1b.bmodel 2.351 3.63 4.95 2.04
BM1684X SoC yolox_sail.soc yolox_s_int8_4b.bmodel 2.21 3.22 4.86 2.04

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 SoC的测试平台为标准版SE5，BM1684X SoC的测试平台为标准版SE7
  4. BM1684/1684X SoC的主控CPU均为8核 ARM A53 42320 DMIPS @2.3GHz，PCIe上的性能由于CPU的不同可能存在较大差异；
  5. 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。

8. FAQ

常见问题解答