實踐教程｜YOLOX目標檢測ncnn實現(xiàn)
加入技術交流群
作者 | 唐超@知乎（已授權(quán)）
來源丨h(huán)ttps://zhuanlan.zhihu.com/p/391788686
編輯丨極市平臺
導讀
本文將YOLOX訓練的模型轉(zhuǎn)到ncnn進行推理加速。
YOLOX最近刷屏了，關鍵是官方倉庫直接給出了ncnn、tensorRT、openvino、onnxruntime實現(xiàn)，簡直是無 比 良 心bù gěi huó lù?。。?/p>
0x00 YOLOX目標檢測
懂得都懂，異常強大。貼上鏈接方便大家感受：https://github.com/Megvii-BaseDetection/YOLOX；
以及https://arxiv.org/abs/2107.08430。
具體算法解析啥的，極市之前有過解讀，詳見吊打一切現(xiàn)有版本的YOLO！曠視重磅開源YOLOX：新一代目標檢測性能速度擔當！一文，本文主要是照顧有些人想自己轉(zhuǎn)YOLOX訓練的模型到ncnn進行推理加速。
0x01 配置環(huán)境
因為只是需要導出原始pytorch模型到onnx，所以機器配置可以隨意，不過建議還是用帶gpu的設備，跑demo需要用gpu才能行，我嘗試改成cpu之后并不能出結(jié)果/sad。
git clone [email protected]:Megvii-BaseDetection/YOLOX.git cd YOLOX pip3 install -U pip && pip3 install -r requirements.txt pip3 install -v -e . # or python3 setup.py develop git clone https://github.com/NVIDIA/apex cd apex pip3 install -v --disable-pip-version-check --no-cache-dir --global-option="--cpp_ext" --global-option="--cuda_ext" ./
其實跟著官網(wǎng)git上面流程走就行，到目前為止就可以試試demo看看模型效果了。我這里用的是yolox-nano這個模型來做說明。
python tools/demo.py image -n yolox-nano -c /path/to/your/yolox_nano.pth.tar --path assets/dog.jpg --conf 0.3 --nms 0.65 --tsize 640 --save_result
上述命令執(zhí)行完成之后會打印出以下信息：
檢測的結(jié)果存儲在./YOLOX\_outputs/nano/vis\_res/2021\_07\_21\_15\_54\_30/dog.jpg。具體效果如下圖所示：
(小聲BB，用官方model以及demo程序跑出來還是有一丟丟問題，我也提了issue，不過回答的我并不怎么滿意。有興趣的可以自己去翻......當然了，那個誤識別可以設置conf為0.4剔除。)
好了，至此，相當于我們整體環(huán)境就整完了，接下來就是導出pytorch模型到onnx，然后再轉(zhuǎn)到ncnn了。
PS：我看issue里好多人在問在哪看結(jié)果，我的怎么沒結(jié)果之類的。。。。如果正確執(zhí)行完成了，會輸出檢測結(jié)果的存儲路徑。如果你沒看到這個，那么不好意思，可能是你姿勢有問題（大概率是模型不對，沒有用gpu，cpu是沒法跑的，但是它又不報錯/sad）
0x02 模型轉(zhuǎn)換
其實吧，pytorch模型導出到onnx這塊代碼YOLOX已經(jīng)很貼心的提供了，這樣就不需要我們自己倒騰啥后處理屏蔽之類的騷操作了。直接按下面命令運行即可：
#如果你環(huán)境中還沒安裝onnx-simplifier，那么需要安裝一個，嫌麻煩不安裝也可以，后面給另一個方案 pip install onnx-simplifier python tools/export_onnx.py -n yolox-nano -c /path/to/your/yolox_nano.pth.tar
這個導出onnx的代碼非常貼心，之間把onnx-simplifier也放在里面一起做了，可以一定程度上減少模型里面出現(xiàn)的一些膠水OP，如果你嫌安裝這個比較麻煩，也可以用“@大缺弦www.zhihu.com/people/33295f2791c588f9df071dddb701278a”的網(wǎng)頁版進行模型轉(zhuǎn)換，這里給出鏈接：一鍵轉(zhuǎn)換 Caffe, ONNX, TensorFlow 到 NCNN, MNN, Tengineconvertmodel.com
使用非常方便，節(jié)約了自己配環(huán)境安裝的過程（其實主要是有些轉(zhuǎn)換工具編譯時需要protobuf支持，但是好多人這里都卡住了）。不過大老師由于太忙了，網(wǎng)頁端轉(zhuǎn)換工具有時候并沒有更新到最新，所以.....大家還是體諒下吧。
得到由onnx-simplifier的模型之后，就可以開始轉(zhuǎn)換ncnn之旅了?。ㄙN太多圖了，模型圖就不貼了，大家可以自己用netron打開欣賞）
# ncnn_root代表ncnn根目錄 cd /ncnn_root/build/tools/onnx ./onnx2ncnn /path/to/yolox-nano.onnx yolox-nano.param yolox-nano.bin
運行完成之后會出現(xiàn)很多Unsupported slice step，這是focus模塊轉(zhuǎn)換的報錯，別害怕，up已經(jīng)幫我們鋪好路了。
Unsupported slice step ! Unsupported slice step ! Unsupported slice step ! Unsupported slice step ! Unsupported slice step ! Unsupported slice step ! Unsupported slice step ! Unsupported slice step !
具體怎么寫focus可以去看up寫的轉(zhuǎn)換yolov5s到ncnn的文章，我這里主要只講具體操作過程:nihui：詳細記錄u版YOLOv5目標檢測ncnn實現(xiàn)zhuanlan.zhihu.com
打開上面轉(zhuǎn)換好的yolox-nano.param文件，可以看到如上圖所示的樣子，紅框中的內(nèi)容實際上就是focus，我們只需要把這里修改下就好了，具體是在第四行插入以下內(nèi)容：
YoloV5Focus focus 1 1 images 683
然后把原先的4-13行全部刪除，這里需要注意的是，1 1 images 683分別代表的意思是一個輸入、一個輸出、輸入blob名稱為images、輸出blob名稱為683。有可能你自己改結(jié)構(gòu)轉(zhuǎn)出來的名字不一樣，所以需要對照上面紅框來取。images也就是第三行的輸出blob name，而683則是第13行Concat的輸出blob name，因為這個Concat的輸入是4個，輸出有一個，也就是652 672 662 682都是輸出，而683是輸出。這樣就把這里修改完成了。
你以為這樣就完事了？NO，其實還有個關鍵的東西沒改，那就是param文件的第二行的數(shù)字沒改，第一個數(shù)是layer count，我們刪除了一些層，如果還是按照這個走后面載入模型會報錯。這里給個簡單的修改方法（免得你要自己記刪除了多少增加了多少......），直接看param整體行數(shù)，然后減去開頭的兩行就行了，我們這里改成focus之后需要把layer count改成286，而至于第二個數(shù)，代表的是blob count，這個可以多，但是別少就行了！因為我們之后還有個很重要的操作，可以把這里的數(shù)量改對。
接下來可以用ncnnoptimize對模型進行優(yōu)化，順便轉(zhuǎn)為 fp16 存儲減小模型體積
./ncnnoptimize ./onnx/yolox-nano-sim.param ./onnx/yolox-nano-sim.bin yolox-nano-sim.param yolox-nano-sim.bin 65536
前面兩個參數(shù)是優(yōu)化前的模型，后面兩個是優(yōu)化后的模型。
create_custom_layer YoloV5Focus fuse_convolution_activation Conv_314 Sigmoid_330 fuse_convolution_activation Conv_328 Sigmoid_329 fuse_convolution_activation Conv_347 Sigmoid_363 fuse_convolution_activation Conv_361 Sigmoid_362 fuse_convolution_activation Conv_380 Sigmoid_396 fuse_convolution_activation Conv_394 Sigmoid_395 model has custom layer, shape_inference skipped model has custom layer, estimate_memory_footprint skipped
0x03 run起來
模型轉(zhuǎn)換完成之后，運行起來就比較簡單了（主要是YOLOX自己提供了ncnn的代碼），為看簡單起見，咱們直接把yolox.cpp文件挪到ncnn工程的examples目錄下，然后在/ncnn\_root/examples/CMakeLists.txt中做如圖修改:
接下來就是正常的編譯環(huán)節(jié)了，另外，由于yolox.cpp中模型路徑是寫的絕對路徑，大家可以根據(jù)自己的情況去做更改。
上圖中第一個紅框因為我只是跑流程，沒有編譯vulkan，所以把這個關掉了，大家根據(jù)自己的來，第二個位置就是把模型改成自己的模型路徑。
./yolox /path/to/YOLOX/assets/dog.jpg
（反正已經(jīng)是保姆級別了，就再提一下，因為模型是傳的相對路徑，對于上圖而言，你需要將可執(zhí)行程序和模型放到同級目錄才能正常運行。或者你直接給絕對路徑也行）
最后附上ncnn的結(jié)果（有彩蛋，大概算吧）.
啊，彩蛋就是ncnn沒有出現(xiàn)那個誤檢的框......參數(shù)配置都是一樣，conf0.3，nms0.65, size 416。官方說法是nms實現(xiàn)不一樣，咱也沒看，后面再細究吧，反正本文不是為了講技術實現(xiàn)（主要是菜）。
0x04 總結(jié)
其實沒啥好總結(jié)的，很多工作大家都已經(jīng)做好了，我只是搬運然后寫細致了一點，只希望能夠幫助到有些剛?cè)腴T或者對這塊感興趣的人吧。
*博客內(nèi)容為網(wǎng)友個人發(fā)布，僅代表博主個人觀點，如有侵權(quán)請聯(lián)系工作人員刪除。
