详细记录YOLACT实例分割ncnn实现

小白学视觉

共 8791字,需浏览 18分钟

 · 2022-06-28

点击上方小白学视觉”,选择加"星标"或“置顶

重磅干货,第一时间送达

链接:https://zhuanlan.zhihu.com/p/128974102
本文转载自知乎,作者已授权,未经许可请勿二次转载。

 

0x0 YOLACT实例分割


https://urlify.cn/rURFry
  • 端到端一阶段完成实例分割
  • 速度快,550x550图片在TitanXP上号称达到33FPS
  • 开源代码,pytorch大法好!
0x1 缘由
纵观整个github,无论是ncnn还是ncnn衍生项目,分类,检测,定位,特征提取,OCR,风格转换....
然而,就是没有找到实例分割的例子,以至于有人发了个issue,并点名要求搞个 YOLACT 实例分割 https://github.com/Tencent/ncnn/issues/1679
那好吧于是写个YOLACT例子,顺带介绍下如何用ncnn实现类似这种需要后处理的算法

 

0x2 pytorch测试


YOLACT项目里有YOLACT++模型,速度更快,效果更好,不过YOLACT++用了个对部署不友好的经典骚操作deformable convolution
假装没看到,我们去下载YOLACT模型
新建weights文件夹,下载 yolact_resnet50_54_800000.pth
根据 README 指示,先拿张图试试看效果
$ python eval.py --trained_model=weights/yolact_resnet50_54_800000.pth --score_threshold=0.15 --top_k=15 --image=test.jpg

0x3 去掉后处理导出onnx


直接修改 eval.py 的 evalimage,把结果展示换成 onnx export
def evalimage(net:Yolact, path:str, save_path:str=None):    frame = torch.from_numpy(cv2.imread(path)).cuda().float()    batch = FastBaseTransform()(frame.unsqueeze(0))    preds = net(batch)
torch.onnx._export(net, batch, "yolact.onnx", export_params=True, keep_initializers_as_inputs=True, opset_version=11)
根据YOLACT issue中的信息,yolact.py开头的JIT要关掉才能导出onnx
# As of March 10, 2019, Pytorch DataParallel still doesn't support JIT Script Modulesuse_jit = False
YOLACT后处理部分写得非常 pythonic,这样直接导出不行,要把后处理从模型剔除,方便导出转换
即便onnx能导出后处理,也不建议这么做
  • 后处理部分没有标准化,每个项目作者的实现细节也各不相同,比如各种nms和bbox计算方式,ncnn很难用统一的op实现(caffe-ssd因为只有一种版本,所以有实现)
  • 后处理在onnx中会转换成一大坨胶水op,非常琐碎,在框架中实现效率低下
  • onnx的大部分胶水op,ncnn不支持或有兼容问题,比如Gather等,无法直接使用
因此,去掉后处理导出onnx,是正确转换 pytorch ssd 等类似模型的通常做法
打开yolact.py,找到 class Yolact 的 forward 方法,把 detect 过程去掉,直接返回模型的 pred_outs 输出
 # return self.detect(pred_outs, self)            return pred_outs;
再一次跑一遍图片测试,不包含后处理的 yolact.onnx 出现了
$ python eval.py --trained_model=weights/yolact_resnet50_54_800000.pth --score_threshold=0.15 --top_k=15 --image=test.jpg

 

0x4 简化onnx


直接导出的onnx模型有很多胶水op是ncnn不支持的,用onnx-simplifier是常规操作
$ pip install -U onnx --user$ pip install -U onnxruntime --user$ pip install -U onnx-simplifier --user
$ python -m onnxsim yolact.onnx yolact-sim.onnx
这时候遇到个问题
Graph must be in single static assignment (SSA) form, however '523' has been used as output names multiple times
经过在github翻看issue,确认这是 onnx bug
https://link.zhihu.com/?target=https%3A//github.com/onnx/onnx/issues/2613
幸好 onnx-simplifier 已提供办法绕过
$ python -m onnxsim --skip-fuse-bn yolact.onnx yolact-sim.onnx 


0x5 ncnn模型转换和优化


前面简化onnx的时候,--skip-fuse-bn 跳过了 batchnorm 合并,不过没关系,ncnn 也有这个功能
ncnnoptimize 工具实现了很多种算子融合,比如常见的 convolution-batchnorm-relu 等等
最后的参数 0 表示fp32模型,65536 表示精简为fp16模型,能减少模型二进制体积
$ ./onnx2ncnn yolact-sim.onnx yolact.param yolact.bin$ ./ncnnoptimize yolact.param yolact.bin yolact-opt.param yolact-opt.bin 0


0x6 手工微调模型

 

还是这句话,不报错不代表一定能用,先用netron工具打开param看看模型结构
这个模型输出有四个,用红框框出来了
Convolution              Conv_263                 1 1 617 619 0=32 1=1 5=1 6=8192 9=1Permute                  Transpose_265            1 1 619 620 0=3UnaryOp                  Tanh_400                 1 1 814 815 0=16Concat                   Concat_401               5 1 634 673 712 751 790 816 0=-3Concat                   Concat_402               5 1 646 685 724 763 802 817 0=-3Concat                   Concat_403               5 1 659 698 737 776 815 818 0=-3Softmax                  Softmax_405              1 1 817 820 0=1 1=1
YOLACT 的后处理需要 loc conf prior mask maskdim 这些东西
一开始看不出这几个输出对应的是什么,那么就先看shape
ncnn::Extractor ex = yolact.create_extractor();
ncnn::Mat in(550, 550, 3);ex.input("input.1", in);
ncnn::Mat b620;ncnn::Mat b816;ncnn::Mat b818;ncnn::Mat b820;ex.extract("620", b620);// 32 x 138x138ex.extract("816", b816);// 4 x 19248ex.extract("818", b818);// 32 x 19248ex.extract("820", b820);// 81 x 19248
直接编译运行发现 Concat 层 crash,即图中蓝框,Concat axis 参数是负数 0=-3,ncnn 还不支持
根据 Concat 多个输入shape,发现是二维数据在 h axis concat,直接改成 0=0 就可以替代
Concat                   Concat_401               5 1 634 673 712 751 790 816 0=0Concat                   Concat_402               5 1 646 685 724 763 802 817 0=0Concat                   Concat_403               5 1 659 698 737 776 815 818 0=0
b820在softmax后面,确信是 conf,shape 81x19248 表示 81分类 x 19248个prior
b816 shape 4x19248,对应于每个priorbox的bbox的偏移值
b818 shape 32x19248,根据YOLACT的后处理看,表示的是 maskdim,即32个分割热图的系数
b620 shape 32x138x138,即32个分割热图,前面有个permute层是NCHW->NHWC的转换 prior没有在模型中输出
ncnn 处理 b620 NHWC shape 不方便,改为 extract permute 前的 NCHW 数据 b619,即图中绿框输出
ncnn::Extractor ex = yolact.create_extractor();
ncnn::Mat in(550, 550, 3);ex.input("input.1", in);
ncnn::Mat maskmaps;ncnn::Mat location;ncnn::Mat mask;ncnn::Mat confidence;ex.extract("619", maskmaps);// 138x138 x 32ex.extract("816", location);// 4 x 19248ex.extract("818", mask);// maskdim 32 x 19248ex.extract("820", confidence);// 81 x 19248


0x7 生成prior


原始代码在 yolact.py class PredictionModule make_priors,增加一些 print 获得全部 priorbox 生成规则超参
const int conv_ws[5] = {69, 35, 18, 9, 5};const int conv_hs[5] = {69, 35, 18, 9, 5};
const float aspect_ratios[3] = {1.f, 0.5f, 2.f};const float scales[5] = {24.f, 48.f, 96.f, 192.f, 384.f};
YOLACT的prior四个数值是 center_x center_y box_w box_h,值域 0~1
作者当初写了个bug,box_h = box_w 固定成方的了,我们也要把这个bug复现出来
// make priorboxncnn::Mat priorbox(4, 19248);{    float* pb = priorbox;
for (int p = 0; p < 5; p++) { int conv_w = conv_ws[p]; int conv_h = conv_hs[p];
float scale = scales[p];
for (int i = 0; i < conv_h; i++) { for (int j = 0; j < conv_w; j++) { // +0.5 because priors are in center-size notation float cx = (j + 0.5f) / conv_w; float cy = (i + 0.5f) / conv_h;
for (int k = 0; k < 3; k++) { float ar = aspect_ratios[k];
ar = sqrt(ar);
float w = scale * ar / 550; float h = scale / ar / 550;
// This is for backward compatability with a bug where I made everything square by accident // cfg.backbone.use_square_anchors: h = w;
pb[0] = cx; pb[1] = cy; pb[2] = w; pb[3] = h;
pb += 4; } } } }}


0x8 YOLACT全流程实现


预处理部分

data/config.py 有 ImageNet 的 MEAN STD,BGR顺序
# These are in BGR and are for ImageNetMEANS = (103.94, 116.78, 123.68)STD   = (57.38, 57.12, 58.40)
YOLACT实际输入RGB,要换下顺序
const int target_size = 550;
int img_w = bgr.cols;int img_h = bgr.rows;
ncnn::Mat in = ncnn::Mat::from_pixels_resize(bgr.data, ncnn::Mat::PIXEL_BGR2RGB, img_w, img_h, target_size, target_size);
const float mean_vals[3] = {123.68f, 116.78f, 103.94f};const float norm_vals[3] = {1.0/58.40f, 1.0/57.12f, 1.0/57.38f};in.substract_mean_normalize(mean_vals, norm_vals);

后处理部分

这部分和 SSD 后处理非常类似,sort nms 这些代码抠 ncnn/src/layer/detectionoutput.cpp
唯一要注意的地方就是 bbox 生成和 SSD 不一样,要用 center_x center_y box_w box_h 实现,YOLACT原代码在 layers/box_util.py decode 函数
YOLACT有fastnms方法 layers/funstions/detection.py,速度更快,可我觉得普通nms毕竟是现成代码,用着挺好的
// generate all candidates for each classfor (int i=0; i<num_priors; i++){    // find class id with highest score    // start from 1 to skip background
// ignore background or low score if (label == 0 || score <= confidence_thresh) continue;
// apply center_size to priorbox with loc float var[4] = {0.1f, 0.1f, 0.2f, 0.2f};
float pb_cx = pb[0]; float pb_cy = pb[1]; float pb_w = pb[2]; float pb_h = pb[3];
float bbox_cx = var[0] * loc[0] * pb_w + pb_cx; float bbox_cy = var[1] * loc[1] * pb_h + pb_cy; float bbox_w = (float)(exp(var[2] * loc[2]) * pb_w); float bbox_h = (float)(exp(var[3] * loc[3]) * pb_h);
float obj_x1 = bbox_cx - bbox_w * 0.5f; float obj_y1 = bbox_cy - bbox_h * 0.5f; float obj_x2 = bbox_cx + bbox_w * 0.5f; float obj_y2 = bbox_cy + bbox_h * 0.5f;
// clip inside image
// append object candidate}
// merge candidate box for each classfor (int i=0; i<(int)class_candidates.size(); i++){ // sort + nms}
// sort all result by score
// keep_top_k

分割图生成

maskmaps 实际是 32 张 138x138 尺寸的热图,前面输出的每个 object 都自带 32 个 float 系数
object 的分割图就是每张热图 * 对应系数,求和,放大到原图尺寸,二值化,最后 crop inside 输出框
unnatrual很好看的! 


0x9 补充学习资料


噫?还有补充学习资料?
ncnn实现代码和转好的模型已上传到github

https://link.zhihu.com/?target=https%3A//github.com/Tencent/ncnn

好消息!

小白学视觉知识星球

开始面向外开放啦👇👇👇




下载1:OpenCV-Contrib扩展模块中文版教程
在「小白学视觉」公众号后台回复:扩展模块中文教程即可下载全网第一份OpenCV扩展模块教程中文版,涵盖扩展模块安装、SFM算法、立体视觉、目标跟踪、生物视觉、超分辨率处理等二十多章内容。

下载2:Python视觉实战项目52讲
小白学视觉公众号后台回复:Python视觉实战项目即可下载包括图像分割、口罩检测、车道线检测、车辆计数、添加眼线、车牌识别、字符识别、情绪检测、文本内容提取、面部识别等31个视觉实战项目,助力快速学校计算机视觉。

下载3:OpenCV实战项目20讲
小白学视觉公众号后台回复:OpenCV实战项目20讲即可下载含有20个基于OpenCV实现20个实战项目,实现OpenCV学习进阶。

交流群


欢迎加入公众号读者群一起和同行交流,目前有SLAM、三维视觉、传感器自动驾驶、计算摄影、检测、分割、识别、医学影像、GAN算法竞赛等微信群(以后会逐渐细分),请扫描下面微信号加群,备注:”昵称+学校/公司+研究方向“,例如:”张三 + 上海交大 + 视觉SLAM“。请按照格式备注,否则不予通过。添加成功后会根据研究方向邀请进入相关微信群。请勿在群内发送广告,否则会请出群,谢谢理解~


浏览 71
点赞
评论
收藏
分享

手机扫一扫分享

举报
评论
图片
表情
推荐
点赞
评论
收藏
分享

手机扫一扫分享

举报