一背景
目標檢測作為計算機視覺應用的基礎任務,一直備受行業應用重點關注。從最早學術界的Two-Stage方案Faster-RCNN,到首個利于工業界高效率部署的One-Stage方案SSD(Single Shot MultiBox Detector),最后發展到這兩年大家非常熟悉的YOLO系列(v1/v2/v3/v4/v5/v6/v7/v8/x……),這一系列經典檢測器方案主要是基于卷積神經網絡(CNN)作為特征提取的Backbone,然后使用手工組件Anchor-Base(Faster-RCNN、SSD、YOLOv1-v7)或者Anchor-Free(YOLOv8、YOLOX)加上非最大抑制(NMS)來篩選出最終目標框。然而Anchor-Base或Anchor-Free的兩種方案都利用非最大抑制進行后處理,這給經典檢測器帶來了推理性能的瓶頸。此外,由于非最大抑制不使用圖像信息,因此在邊界框保留和刪除中有各式NMS原理帶來的問題。
近年來Transformer被廣泛應用到計算機視覺的物體分類領域,例如ViT、SwinT等。那是否也能進一步將Transformer拓展到目標檢測任務呢?本文通過分享Transformer用在目標檢測領域的開山之作:DETR(DEtection TRansformer),同時嘗試在AX650N上完成端到端的部署,給行業內對邊緣側/端側部署Transformer模型的愛好者提供一種新的思路。
二DETR
DETR是Meta在2020年開源的目標檢測網絡?;赥ransformer的目標檢測算法DETR,采用簡潔的pipeline,去除NMS、Anchor設計,且在COCO數據集上的指標與Faster RCNN相當。
DETR的網絡結構如下圖所示,主要是由四個模塊組成:基于ResNet的骨干網絡、編碼器、解碼器、預測頭。
2.1 骨干網絡
采用經典的卷積神經網絡ResNet50或ResNet101作為其Backbone,最終輸出降采樣32倍的Feature Map給Transformer的Encoder(編碼器)作為輸入。
2.2 編碼器
Encoder得到backbone輸入的Feature Map之后,先用過一個Conv1x1 + Reshape操作,將特征值進行序列化(sequence)變化,然后緊跟一系列的MHA和FFN處理(Transformer網絡核心部件)。
2.3 解碼器
有兩個輸入分別是:
●編碼器得到的特征;
● Object Queries:類似基于CNN目標檢測算法中的Anchor Boxes。
2.4 預測頭
采用FFN操作,分別輸出BBox和Class ID。
三模型轉換
3.1 Pulsar2
Pulsar2是新一代AI工具鏈,包含模型轉換、離線量化、模型編譯、異構調度四合一超強功能,進一步強化了網絡模型高效部署的需求。在針對第三代NPU架構進行了深度定制優化的同時,也擴展了算子&模型支持的能力及范圍,對Transformer結構的網絡也有較好的支持。
pulsar2 deploy pipeline
3.2 模型下載
我們從DTER的官方倉庫獲取對應的ONNX模型。
下載github倉庫
git倉庫下載
git clone https://github.com/facebookresearch/detr.git cd detr pip install -r requirements.txt
修改main.py文件
修改main.py
$ git diff main.py diff --git a/main.py b/main.py index e5f9eff..bf7855c 100644 --- a/main.py +++ b/main.py @@ -139,7 +139,7 @@ def main(args): weight_decay=args.weight_decay) lr_scheduler = torch.optim.lr_scheduler.StepLR(optimizer, args.lr_drop) - dataset_train = build_dataset(image_set='train', args=args) + dataset_train = build_dataset(image_set='val', args=args) dataset_val = build_dataset(image_set='val', args=args) if args.distributed: @@ -180,6 +180,9 @@ def main(args): optimizer.load_state_dict(checkpoint['optimizer']) lr_scheduler.load_state_dict(checkpoint['lr_scheduler']) args.start_epoch = checkpoint['epoch'] + 1 + + torch.onnx.export(model,torch.ones(1,3,608,608).to(args.device),f="detr_r50_608.onnx",do_constant_folding=True,opset_version=11) + exit() if args.eval: test_stats, coco_evaluator = evaluate(model, criterion, postprocessors,
導出ONNX模型
導出ONNX模型
$ python main.py --batch_size 2 --no_aux_loss --eval --resume https://dl.fbaipublicfiles.com/detr/detr-r50-e632da11.pth --coco_path /home/xigua/data/coco2017 --device cpu $ onnxsim detr_r50_608.onnx detr_r50_608-sim.onnx
3.3 模型編譯
一鍵完成圖優化、離線量化、編譯、對分功能。整個過程耗時不到5分鐘,相比上一代工具鏈模型編譯效率有了數量級的提升。
編譯log
$ pulsar2 build --input model/detr_r50_608-sim.onnx --output_dir output --config config/detr_config.json patool: Extracting ./dataset/dataset_v04.zip ... patool: ... ./dataset/dataset_v04.zip extracted to `output/quant/dataset/samples'. Quant Config Table ┏━━━━━━━━━┳━━━━━━━━━━━━━━━━━━┳━━━━━━━━━━━━━━━━━━━┳━━━━━━━━━━━━━┳━━━━━━━━━━━━━━━┳━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━┳━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━┓ ┃ Input ┃ Shape ┃ Dataset Directory ┃ Data Format ┃ Tensor Format ┃ Mean ┃ Std ┃ ┡━━━━━━━━━╇━━━━━━━━━━━━━━━━━━╇━━━━━━━━━━━━━━━━━━━╇━━━━━━━━━━━━━╇━━━━━━━━━━━━━━━╇━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━╇━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━┩ │ samples │ [1, 3, 608, 608] │ samples │ Image │ BGR │ [123.68000030517578, 116.77899932861328, │ [58.619998931884766, 57.34000015258789, │ │ │ │ │ │ │ 103.93900299072266] │ 57.599998474121094] │ └─────────┴──────────────────┴───────────────────┴─────────────┴───────────────┴───────────────────────────────────────────────────┴───────────────────────────────────────────────────┘ Transformer optimize level: 1 1 File(s) Loaded. [18:23:26] AX Refine Operation Config Pass Running ... Finished. [18:23:26] AX Transformer Optimize Pass Running ... Finished. [18:23:26] AX Quantization Config Refine Pass Running ... Finished. [18:23:27] AX Quantization Fusion Pass Running ... Finished. [18:23:27] AX Quantization Simplify Pass Running ... Finished. [18:23:27] AX Parameter Quantization Pass Running ... Finished. Calibration Progress(Phase 1): 100%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 1/1 [00:01<00:00, ?1.86s/it] Calibration Progress(Phase 2): 100%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 1/1 [00:06<00:00, ?6.14s/it] Finished. [1853] AX Passive Parameter Quantization Running ... ?Finished. [1853] AX Parameter Baking Pass Running ... ? ? ? ? ? Finished. [1853] AX Refine Int Parameter pass Running ... ? ? ? Finished. Network Quantization Finished. quant.axmodel export success: output/quant/quant_axmodel.onnx Building native ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ 100% 000 ...... 2023-05-10 1837.093 | INFO ? ? | yasched.test_onepass1428 - max_cycle = 45853543 2023-05-10 18:26:23.472 | INFO ? ? | yamain.command.build889 - fuse 1 subgraph(s)
3.4 Graph Optimize
這里的Graph Optimize主要是對轉入的ONNX模型進行一系列預置好的圖優化功能,利于后續編譯階段提升執行效率。
Original ONNX to Optimize ONNX
3.5 Graph Quantize
Pulsar2采用大家熟悉的PTQ策略對計算圖進行8bit量化壓縮,滿足NPU硬件單元的計算需求,量化后的模型同樣采用ONNX容器進行存儲,方便用戶使用Netron打開進行觀察量化后的計算圖。下面截取DETR中核心單元MHA(Mulit-Head Attention)和FFN(Feed Forward Network)。
MHA and FFN
四
上板部署
4.1 AX-Samples
開源項目AX-Samples實現了基于愛芯元智AI SoC的常見深度學習開源算法部署示例,方便社區開發者進行快速評估和適配。
最新版本已開始提供AX650系列的NPU示例,其中也包含了本文介紹的DETR參考代碼。
https://github.com/AXERA-TECH/ax-samples/blob/main/examples/ax650/ax_detr_steps.cc
4.2 運行
運行log
root@AXERA:/home/test# ./ax_detr -m detr_r50_npu1.axmodel -i ssd_car.jpg -r 10 -------------------------------------- model file : detr_r50_npu1.axmodel image file : ssd_car.jpg img_h, img_w : 608 608 -------------------------------------- Engine creating handle is done. Engine creating context is done. Engine get io info is done. Engine alloc io is done. Engine push input is done. -------------------------------------- prob_pred_idx=0 ,bbox_pred_idx=1 post process cost time:0.47 ms -------------------------------------- Repeat 10 times, avg time 49.50 ms, max_time 49.51 ms, min_time 49.49 ms -------------------------------------- detection num: 3 3: 99%, [ 318, 193, 499, 325], car 6: 96%, [ 118, 53, 455, 284], bus 1: 93%, [ 189, 168, 273, 374], person --------------------------------------
運行結果
五性能統計
單位:FPS
ModelName | 3.6Tops@Int8 | 10.8Tops@Int8 |
DETR_R50 | 20 | 43 |
六后續計劃
●適配更多基于Transformer網絡的目標檢測、分割任務算法模型;
●適配視覺大模型(SAM、DINOv2)。
審核編輯:湯梓紅
-
編碼器
+關注
關注
41文章
3375瀏覽量
131724 -
檢測器
+關注
關注
1文章
812瀏覽量
47318 -
計算機
+關注
關注
19文章
6675瀏覽量
84880 -
開源
+關注
關注
3文章
3002瀏覽量
41750 -
模型
+關注
關注
1文章
2743瀏覽量
47783
原文標題:愛芯分享 | 基于AX650N部署DETR
文章出處:【微信號:愛芯元智AXERA,微信公眾號:愛芯元智AXERA】歡迎添加關注!文章轉載請注明出處。
發布評論請先 登錄
相關推薦
評論