實(shí)踐教程｜YOLOX目標(biāo)檢測ncnn實(shí)現(xiàn)

YOLOX最近刷屏了，關(guān)鍵是官方倉庫直接給出了ncnn、tensorRT、openvino、onnxruntime實(shí)現(xiàn)，簡直是無 比 良 心bù gěi huó lù！！！

0x00 YOLOX目標(biāo)檢測

懂得都懂，異常強(qiáng)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(biāo)檢測性能速度擔(dān)當(dāng)！一文，本文主要是照顧有些人想自己轉(zhuǎn)YOLOX訓(xùn)練的模型到ncnn進(jìn)行推理加速。

0x01 配置環(huán)境

因?yàn)橹皇切枰獙?dǎo)出原始pytorch模型到onnx，所以機(jī)器配置可以隨意，不過建議還是用帶gpu的設(shè)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(shí)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(gè)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(huì)打印出以下信息：

檢測的結(jié)果存儲(chǔ)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(dāng)然了，那個(gè)誤識(shí)別可以設(shè)置conf為0.4剔除。)

好了，至此，相當(dāng)于我們整體環(huán)境就整完了，接下來就是導(dǎo)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(huì)輸出檢測結(jié)果的存儲(chǔ)路徑。如果你沒看到這個(gè)，那么不好意思，可能是你姿勢有問題（大概率是模型不對(duì)，沒有用gpu，cpu是沒法跑的，但是它又不報(bào)錯(cuò)/sad）

0x02 模型轉(zhuǎn)換

其實(shí)吧，pytorch模型導(dǎo)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(yùn)行即可：

#如果你環(huán)境中還沒安裝onnx-simplifier，那么需要安裝一個(gè)，嫌麻煩不安裝也可以，后面給另一個(gè)方案
pip install onnx-simplifier
python tools/export_onnx.py -n yolox-nano -c /path/to/your/yolox_nano.pth.tar

這個(gè)導(dǎo)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(gè)比較麻煩，也可以用“@大缺弦www.zhihu.com/people/33295f2791c588f9df071dddb701278a”的網(wǎng)頁版進(jìn)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(shí)主要是有些轉(zhuǎn)換工具編譯時(shí)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(shí)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！（貼太多圖了，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(yùn)行完成之后會(huì)出現(xiàn)很多Unsupported slice step，這是focus模塊轉(zhuǎn)換的報(bào)錯(cuò)，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(xì)記錄u版YOLOv5目標(biāo)檢測ncnn實(shí)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(shí)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(gè)輸入、一個(gè)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(duì)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?yàn)檫@個(gè)Concat的輸入是4個(gè)，輸出有一個(gè)，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(shí)還有個(gè)關(guān)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(gè)數(shù)是layer count，我們刪除了一些層，如果還是按照這個(gè)走后面載入模型會(huì)報(bào)錯(cuò)。這里給個(gè)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(gè)數(shù)，代表的是blob count，這個(gè)可以多，但是別少就行了！因?yàn)槲覀冎筮€有個(gè)很重要的操作，可以把這里的數(shù)量改對(duì)。

接下來可以用ncnnoptimize對(duì)模型進(jìn)行優(yōu)化，順便轉(zhuǎn)為 fp16 存儲(chǔ)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(gè)參數(shù)是優(yōu)化前的模型，后面兩個(gè)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(yùn)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(duì)路徑，大家可以根據(jù)自己的情況去做更改。

上圖中第一個(gè)紅框因?yàn)槲抑皇桥芰鞒蹋瑳]有編譯vulkan，所以把這個(gè)關(guān)掉了，大家根據(jù)自己的來，第二個(gè)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(jí)別了，就再提一下，因?yàn)槟Ｐ褪莻鞯南鄬?duì)路徑，對(duì)于上圖而言，你需要將可執(zhí)行程序和模型放到同級(jí)目錄才能正常運(yùn)行。或者你直接給絕對(duì)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(gè)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(shí)現(xiàn)不一樣，咱也沒看，后面再細(xì)究吧，反正本文不是為了講技術(shù)實(shí)現(xiàn)（主要是菜）。

0x04 總結(jié)

其實(shí)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(yùn)然后寫細(xì)致了一點(diǎn)，只希望能夠幫助到有些剛?cè)腴T或者對(duì)這塊感興趣的人吧。