Skip to content

Latest commit

 

History

History
executable file
·
212 lines (174 loc) · 13.5 KB

README.md

File metadata and controls

executable file
·
212 lines (174 loc) · 13.5 KB
Raw

简体中文 | English

yolact

目录

1. 简介

yolact是一种实时的实例分割的方法。 本例程对yolact官方开源仓库的模型和算法进行移植，使之能在SOPHON BM1684和BM1684X上进行推理测试。

2. 特性

  • 支持BM1684X(x86 PCIe)，BM1684
  • 支持FP32模型编译和推理
  • 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

​本例程在scripts目录下提供了相关模型和数据的下载脚本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					
│   │   ├── yolact_bm1684_fp32_1b.bmodel # 使用TPU-MLIR编译，用于BM1684的FP32 BModel，batch_size=1
│   │   ├── yolact_bm1684_int8_1b.bmodel # 使用TPU-MLIR编译，用于BM1684的INT8 BModel，batch_size=1
│   │   └── yolact_bm1684_int8_4b.bmodel # 使用TPU-MLIR编译，用于BM1684的INT8 BModel，batch_size=4
│   ├── BM1684X
│   │   ├── yolact_bm1684x_fp32_1b.bmodel # 使用TPU-MLIR编译，用于BM1684X的FP32 BModel，batch_size=1
│   │   ├── yolact_bm1684x_fp16_1b.bmodel # 使用TPU-MLIR编译，用于BM1684X的FP16 BModel，batch_size=1
│   │   ├── yolact_bm1684x_int8_1b.bmodel # 使用TPU-MLIR编译，用于BM1684X的INT8 BModel，batch_size=1
│   │   └── yolact_bm1684x_int8_4b.bmodel # 使用TPU-MLIR编译，用于BM1684X的INT8 BModel，batch_size=4
│── torch
│       └── yolact_base_54_800000.trace.pt	     # trace后的torchscript模型
└── onnx
    └── yolact.onnx             	     # 导出的onnx动态模型

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【FP16仅支持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yolact_bm1684x(或bm1684)_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yolact_bm1684x_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TPU-MLIR编译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，并在执行时指定BModel运行的目标平台（支持BM1684/BM1684X），如：

./scripts/gen_int8bmodel_mlir.sh bm1684
#or
./scripts/gen_int8bmodel_mlir.sh bm1684x

​执行上述命令会在models/BM1684或models/BM1684X/下生成yolact_bm1684x(或bm1684)_int8_1b.bmodel文件，即转换好的INT8 BModel。(也可以在./scripts/gen_int8bmodel_mlir 中修改batch size的参数得到bs=4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=0.5、nms_thresh=0.5)。
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/yolact_bm1684_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
BM1684X PCIe yolact_opencv.py yolact_bm1684x_fp32_1b.bmodel 0.262 0.393
BM1684X PCIe yolact_opencv.py yolact_bm1684x_fp16_1b.bmodel 0.262 0.392
BM1684X PCIe yolact_opencv.py yolact_bm1684x_int8_1b.bmodel 0.258 0.389
BM1684X PCIe yolact_bmcv.py yolact_bm1684x_fp32_1b.bmodel 0.261 0.390
BM1684X PCIe yolact_bmcv.py yolact_bm1684x_fp16_1b.bmodel 0.262 0.393
BM1684X PCIe yolact_bmcv.py yolact_bm1684x_int8_1b.bmodel 0.259 0.388
BM1684X PCIe yolact_bmcv.pcie yolact_bm1684x_fp32_1b.bmodel 0.261 0.390
BM1684X PCIe yolact_bmcv.pcie yolact_bm1684x_fp16_1b.bmodel 0.262 0.392
BM1684X PCIe yolact_bmcv.pcie yolact_bm1684x_int8_1b.bmodel 0.260 0.389
BM1684 PCIe yolact_opencv.py yolact_bm1684_fp32_1b.bmodel 0.262 0.393
BM1684 PCIe yolact_opencv.py yolact_bm1684_int8_1b.bmodel 0.254 0.386
BM1684 PCIe yolact_bmcv.py yolact_bm1684_fp32_1b.bmodel 0.261 0.391
BM1684 PCIe yolact_bmcv.py yolact_bm1684_int8_1b.bmodel 0.252 0.382
BM1684 PCIe yolact_bmcv.pcie yolact_bm1684_fp32_1b.bmodel 0.264 0.395
BM1684 PCIe yolact_bmcv.pcie yolact_bm1684_int8_1b.bmodel 0.254 0.384

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/yolact_bm1684_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)
BM1684X/yolact_bm1684x_fp32_1b.bmodel 212.68
BM1684X/yolact_bm1684x_fp16_1b.bmodel 74.68
BM1684X/yolact_bm1684x_int8_1b.bmodel 67.28
BM1684X/yolact_bm1684x_int8_4b.bmodel 62.96
BM1684/yolact_bm1684_fp32_1b.bmodel 114.60
BM1684/yolact_bm1684_int8_1b.bmodel 135.59
BM1684/yolact_bm1684_int8_4b.bmodel 53.90

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
BM1684X SoC yolact_bmcv.py yolact_bm1684x_fp32_1b.bmodel 3.13 1.70 206.39 127.21
BM1684X SoC yolact_bmcv.py yolact_bm1684x_fp16_1b.bmodel 3.07 1.70 64.73 127.66
BM1684X SoC yolact_bmcv.py yolact_bm1684x_int8_1b.bmodel 3.08 1.70 56.25 124.91
BM1684X SoC yolact_bmcv.py yolact_bm1684x_int8_4b.bmodel 2.93 1.60 52.75 124.43
BM1684X SoC yolact_opencv.py yolact_bm1684x_fp32_1b.bmodel 3.34 29.67 214.87 128.47
BM1684X SoC yolact_opencv.py yolact_bm1684x_fp16_1b.bmodel 3.33 29.49 73.35 129.07
BM1684X SoC yolact_opencv.py yolact_bm1684x_int8_1b.bmodel 3.35 28.86 64.66 125.11
BM1684X SoC yolact_opencv.py yolact_bm1684x_int8_4b.bmodel 3.25 28.33 61.85 123.23
BM1684X SoC yolact_bmcv.soc yolact_bm1684x_fp32_1b.bmodel 4.83 0.58 195.23 56.91
BM1684X SoC yolact_bmcv.soc yolact_bm1684x_fp16_1b.bmodel 4.81 0.58 53.60 56.91
BM1684X SoC yolact_bmcv.soc yolact_bm1684x_int8_1b.bmodel 4.79 0.58 45.13 55.63
BM1684X SoC yolact_bmcv.soc yolact_bm1684x_int8_4b.bmodel 4.73 0.55 43.88 62.58
BM1684 SoC yolact_bmcv.py yolact_bm1684_fp32_1b.bmodel 3.67 2.29 108.78 138.67
BM1684 SoC yolact_bmcv.py yolact_bm1684_int8_1b.bmodel 3.67 2.29 129.43 136.95
BM1684 SoC yolact_bmcv.py yolact_bm1684_int8_4b.bmodel 3.45 2.16 45.12 124.43
BM1684 SoC yolact_opencv.py yolact_bm1684_fp32_1b.bmodel 3.86 30.24 114.85 136.10
BM1684 SoC yolact_opencv.py yolact_bm1684_int8_1b.bmodel 3.85 29.33 135.56 135.47
BM1684 SoC yolact_opencv.py yolact_bm1684_int8_4b.bmodel 3.80 29.81 46.18 135.84
BM1684 SoC yolact_bmcv.soc yolact_bm1684_fp32_1b.bmodel 5.36 1.51 97.97 56.93
BM1684 SoC yolact_bmcv.soc yolact_bm1684_int8_1b.bmodel 5.43 1.51 118.52 56.35
BM1684 SoC yolact_bmcv.soc yolact_bm1684_int8_4b.bmodel 5.30 1.46 38.025 63.15

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. BM1684/1684X 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；
  4. 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

Yolact移植相关问题可参考Yolact常见问题，其他问题请参考FAQ查看一些常见的问题与解答。