yolov7_pytorch

YOLOv7 PyTorch

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 YOLOv7 网络的 PyTorch 实现转换为 MagicMind 模型，进而部署在寒武纪 MLU 板卡上。

目录

• 模型概述
• 前提条件
• 快速使用
  • 环境准备
  • 下载仓库
  • 准备数据集和模型
  • 编译 MagicMind 模型
  • 执行推理
  • 一键运行
• 高级说明
  • export_model 高级说明
  • gen_model 高级说明
  • infer_cpp 高级说明
  • infer_python 高级说明
• 精度和性能 benchmark
  • 性能 benchmark 测试
  • 精度 benchmark 测试
• 免责声明

1. 模型概述

本例使用的 YOLOv7 实现来自 github 开源项目 https://github.com/WongKinYiu/yolov7 。下面将展示如何将该项目中 PyTorch 实现的 YOLOv7 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/yolov7_pytorch

在开始运行代码前需要执行以下命令安装依赖：

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，根据数据集实际路径修改 env.sh 内的 COCO_DATASETS_PATH, 并且执行以下命令：

source env.sh

3.3 准备数据集和模型

cd ${PROJ_ROOT_PATH}/export_model
bash run.sh

注意事项： 上述脚本下载的预训练模型为 YOLOv7 仓库提供的 deploy 模型。 如果使用自行训练得到的 training 模型文件，需要使用 官方 reparameterization 工具 进行转换后再进行后续步骤。

3.4 编译 MagicMind 模型

cd ${PROJ_ROOT_PATH}/gen_model
# bash run.sh <magicmind_model> <precision> <batch_size> <dynamic_shape>
# 指定您想输出的magicmind_model路径，例如./model
bash run.sh ${magicmind_model} force_float32 1 true

注意事项： 如果使用的模型文件类别数量 (class number) 不为默认的 80 类，则需要修改 gen_model/adapter_model.py 文件中 detect_out.set_num_class(80) 参数为相应类别数。

3.5 执行推理

1. infer_cpp 执行推理

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

使用 COCO API 计算精度，结果如下：

 Average Precision  (AP) @[ IoU=0.50:0.95 | area=   all | maxDets=100 ] = 0.510
 Average Precision  (AP) @[ IoU=0.50      | area=   all | maxDets=100 ] = 0.696
 Average Precision  (AP) @[ IoU=0.75      | area=   all | maxDets=100 ] = 0.553
 Average Precision  (AP) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = 0.351
 Average Precision  (AP) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.557
 Average Precision  (AP) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.664
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=   all | maxDets=  1 ] = 0.383
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=   all | maxDets= 10 ] = 0.638
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=   all | maxDets=100 ] = 0.692
 Average Recall     (AR) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = 0.550
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.740
 Average Recall     (AR) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.836

2. infer_python

cd ${PROJ_ROOT_PATH}/infer_python
#bash run.sh <magicmind_model> <batch_size> <image_num>
bash run.sh ${magicmind_model} 1 1000 

使用 COCO API 计算精度，结果如下：

 Average Precision  (AP) @[ IoU=0.50:0.95 | area=   all | maxDets=100 ] = 0.510
 Average Precision  (AP) @[ IoU=0.50      | area=   all | maxDets=100 ] = 0.696
 Average Precision  (AP) @[ IoU=0.75      | area=   all | maxDets=100 ] = 0.553
 Average Precision  (AP) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = 0.351
 Average Precision  (AP) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.557
 Average Precision  (AP) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.664
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=   all | maxDets=  1 ] = 0.383
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=   all | maxDets= 10 ] = 0.638
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=   all | maxDets=100 ] = 0.692
 Average Recall     (AR) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = 0.550
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.740
 Average Recall     (AR) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.836

注意：上述精度结果仅供示范，因为上述推理使用的图片张数为1000张，并非coco数据集的全部图片，因此最终的精度结果与使用coco数据集全部图片得到的精度结果并不相同。

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/yolov7_pytorch && bash run.sh 来实现一键执行

4. 高级说明

4.1 export_model 高级说明

1.由于 MagicMind 最高支持 PyTorch 1.6.0 版本，此版本没有 SiLU 函数，所以要在环境中修改代码如下：

vim /usr/lib/python3.7/site-packages/torch/nn/modules/activation.py
#添加如下函数定义
class SiLU(Module):
    @staticmethod
    def forward(x):
        return x * torch.sigmoid(x)

vim /usr/lib/python3.7/site-packages/torch/nn/modules/__init__.py
#添加声明
from .activation import SiLU
__all__ = [ *, 'SiLU']

或者直接运行以下代码：

patch -p0 /usr/lib/python3.7/site-packages/torch/nn/modules/__init__.py < ${PROJ_ROOT_PATH}/export_model/init.patch
patch -p0 /usr/lib/python3.7/site-packages/torch/nn/modules/activation.py < ${PROJ_ROOT_PATH}/export_model/activation.patch

2.为了提高性能，需要将原 YOLOv7 模型中的 detect 层后处理去掉,生成修改后的 pt,之后再在生成 MagicMind Model 时添加 YOLOv7 后处理算子。 2.1 去掉 YOLOv7 网络最后的 detect layer（此 demo 的 detect 部分会放在 MLU 上运行，具体由目录下文件夹 gen_model 中 python 代码实现）修改如下:

cd ${PROJ_ROOT_PATH}/export_model/yolov7
# 修改yolov7/models/yolo.py, 增加 yolov7/gen_tracemodel.py
git apply ${PROJ_ROOT_PATH}/export_model/yolov7_pytorch.patch

2.2 使用下面的代码导出 jit.trace 模型文件。

    cd ${PROJ_ROOT_PATH}/export_model/yolov7 
    python ${PROJ_ROOT_PATH}/export_model/yolov7/gen_tracemodel.py --weight ${MODEL_PATH}/yolov7.pt --save_path ${MODEL_PATH}/yolov7_traced_model.pt

4.2 gen_model 高级说明

YOLOv7 PyTorch 模型转换为 YOLOv7 MagicMind 模型分成以下几步：

• 使用 MagicMind Parser 模块将 torch.jit.trace 生成的 pt 文件解析为 MagicMind 网络结构。
• 模型量化。
• 添加 yolov7 后处理算子。
• 使用 MagicMind Builder 模块生成 MagicMind 模型实例并保存为离线模型文件。

参数说明:

• image_dir: 输入图像目录，程序对该目录下所有后缀为 jpg 的图片执行目标检测任务。
• conf_thres: confidence_thresh，检测框得分阈值。
• iou_thres: nms_thresh。
• max_det: limit_detections。

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

4.3 infer_cpp 高级说明

概述： 本例使用 MagicMind C++ API 编写了名为 infer_cpp 的YOLOv7目标检测程序，展示了如何进行高效地实现目标检测流程（图像预处理=>推理=>后处理）。其中程序主要由以下内容构成:

• infer.hpp, infer.cpp: 高效率地将 MagicMind 模型运行在 MLU 板卡上。
• pre_precess.hpp, pre_precess.cpp: 前处理。
• post_precess.hpp, post_precess.cpp: 后处理。

参数说明:

• magicmind_model: MagicMind 模型路径。
• image_dir: 输入图像目录，程序对该目录下所有后缀为 jpg 的图片执行目标检测任务。
• image_num: 输入图像数量，如果设置为-1，则表示使用数据集内的全部图像。
• file_list: 数据集文件列表文件。
• label_path: 标签文件路径。
• output_dir: 根据检测结果进行渲染后的图像或 COCO API 风格检测结果文件保存路径。
• save: 结果可视化。若指定为 true，则保存渲染后的图像，默认为 false。
• batch_size: 每次推理时的输入图片数量。

4.4 infer_python 高级说明

参数说明：

• magicmind_model: MagicMind 模型路径。
• image_dir: 输入图像目录，程序对该目录下所有后缀为 jpg 的图片执行目标检测任务。
• image_num: 输入图像数量，如果设置为-1，则表示使用数据集内的全部图像。
• file_list: 数据集文件列表文件。
• label_path: 标签文件路径。
• result_file: COCO API 风格检测结果文件保存路径。
• result_img: 根据检测结果进行渲染后的图像。
• save: 结果可视化。若指定为 true，则保存渲染后的图像，默认为 false。

5. 精度和性能 benchmark

5.1 性能 benchmark 测试

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 ${magicmind_model} --batch_size ${batch_size} --devices ${device_id} --threads 1 --iterations 1000

或者通过一键运行 benchmark 里的脚本：

cd ${PROJ_ROOT_PATH}/benchmark
bash perf.sh

5.2 精度 benchmark 测试

一键运行 benchmark 里的脚本：

cd ${PROJ_ROOT_PATH}/benchmark
bash eval.sh

一键运行 benchmark 里的脚本，可得到 YOLOv7 在 COCO2017 数据集中的 mAP， 如下所示：

Model	Precision	Batch_Size	mAP (0.5:0.95)	mAP (0.5)
YOLOv7	force_float32	1	0.510	0.696
YOLOv7	force_float16	1	0.508	0.696
YOLOv7	qint8_mixed_float16	1	0.464	0.680

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。

• COCO VAL2017 数据集下载链接：http://images.cocodataset.org/zips/val2017.zip
• COCO VAL2017 标签下载链接：http://images.cocodataset.org/annotations/annotations_trainval2017.zip
• YOLOv7 模型下载链接：https://github.com/WongKinYiu/yolov7/releases/download/v0.1/yolov7.pt
• YOLOv7 github 下载链接：https://github.com/WongKinYiu/yolov7