Skip to content

Latest commit

 

History

History

yolov3_tiny_caffe

Folders and files

NameName
Last commit message
Last commit date

parent directory

..
benchmark
benchmark
 
 
export_model
export_model
 
 
gen_model
gen_model
 
 
infer_cpp
infer_cpp
 
 
README.md
README.md
 
 
env.sh
env.sh
 
 
requirement.txt
requirement.txt
 
 
requirements.txt
requirements.txt
 
 
run.sh
run.sh
 
 

README.md

YOLOv3_Tiny_Caffe

MagicMind 是面向寒武纪 MLU 的推理加速引擎。MagicMind 能将 AI 框架(Tensorflow,PyTorch,ONNX 等) 训练好的算法模型转换成 MagicMind 统一计算图表示,并提供端到端的模型优化、代码生成以及推理业务部署能力。 本 sample 探讨如何使用将 YOLOv3_Tiny 网络的 Caffe 模型转换为 MagicMind 模型，进而部署在寒武纪 MLU 板卡上。

目录

1.模型概述

本例使用的 YOLOv3_Tiny 实现来自 github 开源项目https://github.com/pjreddie/darknet 下面将展示如何将该项目中 Caffe 实现的 YOLOv3_Tiny 模型转换为 MagicMind 的模型。

2.前提条件

请移至主页面 README.md的2.前提条件

3.快速使用

3.1 环境准备

请移至主页面 README.md的3.环境准备

3.2 下载仓库

# 下载仓库
git clone 本仓库
cd magicmind_cloud/buildin/cv/detection/yolov3_tiny_caffe

在开始运行代码前需要先安装相关依赖，执行以下命令：

pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple/ -f https://download.pytorch.org/whl/torch_stable.html

在开始运行代码前需要先检查 env.sh 里的环境变量，并且执行以下命令：

source env.sh

3.3 准备数据集和模型

  • 下载数据集
cd $PROJ_ROOT_PATH/export_model
bash run.sh
  • 下载模型

将 darknet 原生的 yolov3_tiny.cfg 和 yolov3_tiny.weight 转换为本仓库所需要的 yolov3_tiny.caffemodel 和 yolov3_tiny.prototxt，需要使用 Caffe 来实现转换，请参考这里，本教程默认提供好转换后的 caffemodel 和 prototxt 文件下载链接，图像大小设置为 416x416。

3.4 编译 MagicMind 模型

cd $PROJ_ROOT_PATH/gen_model
#bash run.sh <magicmind_model> <precision> <batch_size> <dynamic_shape>
bash run.sh ${MODEL_PATH}/yolov3_tiny_caffe_model_force_float32_true force_float32 1 true

3.5 执行推理

1.infer_cpp

cd $PROJ_ROOT_PATH/infer_cpp
#bash run.sh <magicmind_model> <batch_size> <image_num>
bash run.sh ${MODEL_PATH}/yolov3_tiny_caffe_model_force_float32_true force_float32 1 1000

结果:

 Average Precision  (AP) @[ IoU=0.50:0.95 | area=   all | maxDets=100 ] = 0.168
 Average Precision  (AP) @[ IoU=0.50      | area=   all | maxDets=100 ] = 0.373
 Average Precision  (AP) @[ IoU=0.75      | area=   all | maxDets=100 ] = 0.137
 Average Precision  (AP) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = 0.053
 Average Precision  (AP) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.185
 Average Precision  (AP) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.286
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=   all | maxDets=  1 ] = 0.175
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=   all | maxDets= 10 ] = 0.285
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=   all | maxDets=100 ] = 0.309
 Average Recall     (AR) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = 0.095
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.358
 Average Recall     (AR) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.504

3.6 一键运行

以上 3.3~3.5 的步骤也可以通过运行 cd magicmind_cloud/buildin/cv/detection/yolov3_tiny_caffe && bash run.sh 来实现一键执行

4.高级说明

4.1gen_model 代码解释

Caffe YOLOv3_Tiny 模型转换为 MagicMind YOLOv3_Tiny 模型分成以下几步：

  • 使用 MagicMind Parser 模块将 caffe 文件解析为 MagicMind 网络结构。
  • 模型量化。
  • 使用 MagicMind Builder 模块生成 MagicMind 模型实例并保存为离线模型文件。

注意： 在gen_model内使用了一些公共的组件，例如arg解析、第三方框架（如PyTorch）模型解析、MagicMind 配置设定等，这些公共组件的说明详见：公共组件的README.md

4.2 infer_cpp 高级说明

概述： 本例使用 MagicMind C++ API 编写了名为 infer_cpp 的视频检测程序。infer_cpp 将展示如何使用 MagicMind C++ API 构建高效的 YOLOv3_Tiny 目标检测(图像预处理=>推理=>图像后处理)。其中程序主要由以下内容构成:

  • infer.cpp: 高效率的将 MagicMind 模型运行在 MLU 板卡上。

参数说明:

  • magicmind_model: MagicMind 模型路径。
  • image_num: 输入测试图像数量
  • batch_size: 模型 batch_size
  • image_dir: 数据集路径
  • label_path：coco.names 文件
  • file_list:推理图像路径文件
  • output_dir：推理结果文件路径
  • save_img：是否存储推理输出画框图像 1 存储 0 不存储

5.精度和性能 benchmark

5.1 性能 benchmark 结果

本仓库通过寒武纪提供的 Magicmind 性能测试工具 mm_run 展示性能数据

#查看参数说明
mm_run -h
mm_run --magicmind_model $MM_MODEL --batch_size $BATCH_SIZE --iterations 1000

或者通过一键运行 benchmark 里的脚本：

cd $PROJ_ROOT_PATH
bash benchmark/perf.sh

5.2 精度 benchmark 结果

一键运行 benchmark 里的脚本：

cd $PROJ_ROOT_PATH/
bash benchmark/eval.sh

通过5.2精度benchmark测试的脚本跑出跑出 YOLOv3 在 coco val2017 数据集上5000张测试图片的 mAP 如下: (confidence_thresholds默认为0.005)

Model BatchSize Precision IoU=0.50:0.95(%) IoU=0.50(%)
YOLOv3_Tiny 1 force_float32 16.8 37.3
YOLOv3_Tiny 1 force_float16 16.8 37.3
YOLOv3_Tiny 1 int8_mixed_float16 15.5 36.2

6.免责声明

您明确了解并同意，以下链接中的软件、数据或者模型由第三方提供并负责维护。在以下链接中出现的任何第三方的名称、商标、标识、产品或服务并不构成明示或暗示与该第三方或其软件、数据或模型的相关背书、担保或推荐行为。您进一步了解并同意，使用任何第三方软件、数据或者模型，包括您提供的任何信息或个人数据（不论是有意或无意地），应受相关使用条款、许可协议、隐私政策或其他此类协议的约束。因此，使用链接中的软件、数据或者模型可能导致的所有风险将由您自行承担。