实践教程｜YOLOX目标检测ncnn实现

YOLOX最近刷屏了，关键是官方仓库直接给出了ncnn、tensorRT、openvino、onnxruntime实现，简直是无 比 良 心bù gěi huó lù！！！

0x00 YOLOX目标检测

懂得都懂，异常强大。贴上链接方便大家感受：https://github.com/Megvii-BaseDetection/YOLOX；

以及https://arxiv.org/abs/2107.08430。

具体算法解析啥的，极市之前有过解读，详见吊打一切现有版本的YOLO！旷视重磅开源YOLOX：新一代目标检测性能速度担当！一文，本文主要是照顾有些人想自己转YOLOX训练的模型到ncnn进行推理加速。

0x01 配置环境

因为只是需要导出原始pytorch模型到onnx，所以机器配置可以随意，不过建议还是用带gpu的设备，跑demo需要用gpu才能行，我尝试改成cpu之后并不能出结果/sad。

git clone git@github.com: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" ./

其实跟着官网git上面流程走就行，到目前为止就可以试试demo看看模型效果了。我这里用的是yolox-nano这个模型来做说明。

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

上述命令执行完成之后会打印出以下信息：

检测的结果存储在./YOLOX\_outputs/nano/vis\_res/2021\_07\_21\_15\_54\_30/dog.jpg。具体效果如下图所示：

(小声BB，用官方model以及demo程序跑出来还是有一丢丢问题，我也提了issue，不过回答的我并不怎么满意。有兴趣的可以自己去翻......当然了，那个误识别可以设置conf为0.4剔除。)

好了，至此，相当于我们整体环境就整完了，接下来就是导出pytorch模型到onnx，然后再转到ncnn了。

PS：我看issue里好多人在问在哪看结果，我的怎么没结果之类的。。。。如果正确执行完成了，会输出检测结果的存储路径。如果你没看到这个，那么不好意思，可能是你姿势有问题（大概率是模型不对，没有用gpu，cpu是没法跑的，但是它又不报错/sad）

0x02 模型转换

其实吧，pytorch模型导出到onnx这块代码YOLOX已经很贴心的提供了，这样就不需要我们自己倒腾啥后处理屏蔽之类的骚操作了。直接按下面命令运行即可：

#如果你环境中还没安装onnx-simplifier，那么需要安装一个，嫌麻烦不安装也可以，后面给另一个方案
pip install onnx-simplifier
python tools/export_onnx.py -n yolox-nano -c /path/to/your/yolox_nano.pth.tar

这个导出onnx的代码非常贴心，之间把onnx-simplifier也放在里面一起做了，可以一定程度上减少模型里面出现的一些胶水OP，如果你嫌安装这个比较麻烦，也可以用“@大缺弦www.zhihu.com/people/33295f2791c588f9df071dddb701278a”的网页版进行模型转换，这里给出链接：一键转换 Caffe, ONNX, TensorFlow 到 NCNN, MNN, Tengineconvertmodel.com

使用非常方便，节约了自己配环境安装的过程（其实主要是有些转换工具编译时需要protobuf支持，但是好多人这里都卡住了）。不过大老师由于太忙了，网页端转换工具有时候并没有更新到最新，所以.....大家还是体谅下吧。

得到由onnx-simplifier的模型之后，就可以开始转换ncnn之旅了！（贴太多图了，模型图就不贴了，大家可以自己用netron打开欣赏）

# ncnn_root代表ncnn根目录
cd /ncnn_root/build/tools/onnx
./onnx2ncnn /path/to/yolox-nano.onnx yolox-nano.param yolox-nano.bin

运行完成之后会出现很多Unsupported slice step，这是focus模块转换的报错，别害怕，up已经帮我们铺好路了。

Unsupported slice step !
Unsupported slice step !
Unsupported slice step !
Unsupported slice step !
Unsupported slice step !
Unsupported slice step !
Unsupported slice step !
Unsupported slice step !

具体怎么写focus可以去看up写的转换yolov5s到ncnn的文章，我这里主要只讲具体操作过程:nihui：详细记录u版YOLOv5目标检测ncnn实现zhuanlan.zhihu.com

打开上面转换好的yolox-nano.param文件，可以看到如上图所示的样子，红框中的内容实际上就是focus，我们只需要把这里修改下就好了，具体是在第四行插入以下内容：

YoloV5Focus              focus                    1 1 images 683

然后把原先的4-13行全部删除，这里需要注意的是，1 1 images 683分别代表的意思是一个输入、一个输出、输入blob名称为images、输出blob名称为683。有可能你自己改结构转出来的名字不一样，所以需要对照上面红框来取。images也就是第三行的输出blob name，而683则是第13行Concat的输出blob name，因为这个Concat的输入是4个，输出有一个，也就是652 672 662 682都是输出，而683是输出。这样就把这里修改完成了。

你以为这样就完事了？NO，其实还有个关键的东西没改，那就是param文件的第二行的数字没改，第一个数是layer count，我们删除了一些层，如果还是按照这个走后面载入模型会报错。这里给个简单的修改方法（免得你要自己记删除了多少增加了多少......），直接看param整体行数，然后减去开头的两行就行了，我们这里改成focus之后需要把layer count改成286，而至于第二个数，代表的是blob count，这个可以多，但是别少就行了！因为我们之后还有个很重要的操作，可以把这里的数量改对。

接下来可以用ncnnoptimize对模型进行优化，顺便转为 fp16 存储减小模型体积

./ncnnoptimize ./onnx/yolox-nano-sim.param ./onnx/yolox-nano-sim.bin yolox-nano-sim.param yolox-nano-sim.bin 65536

前面两个参数是优化前的模型，后面两个是优化后的模型。

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起来

模型转换完成之后，运行起来就比较简单了（主要是YOLOX自己提供了ncnn的代码），为看简单起见，咱们直接把yolox.cpp文件挪到ncnn工程的examples目录下，然后在/ncnn\_root/examples/CMakeLists.txt中做如图修改:

接下来就是正常的编译环节了，另外，由于yolox.cpp中模型路径是写的绝对路径，大家可以根据自己的情况去做更改。

上图中第一个红框因为我只是跑流程，没有编译vulkan，所以把这个关掉了，大家根据自己的来，第二个位置就是把模型改成自己的模型路径。

./yolox /path/to/YOLOX/assets/dog.jpg

（反正已经是保姆级别了，就再提一下，因为模型是传的相对路径，对于上图而言，你需要将可执行程序和模型放到同级目录才能正常运行。或者你直接给绝对路径也行）

最后附上ncnn的结果（有彩蛋，大概算吧）.

啊，彩蛋就是ncnn没有出现那个误检的框......参数配置都是一样，conf0.3，nms0.65, size 416。官方说法是nms实现不一样，咱也没看，后面再细究吧，反正本文不是为了讲技术实现（主要是菜）。

0x04 总结

其实没啥好总结的，很多工作大家都已经做好了，我只是搬运然后写细致了一点，只希望能够帮助到有些刚入门或者对这块感兴趣的人吧。