Skip to content

Latest commit

 

History

History

yolov8_pytorch

Folders and files

NameName
Last commit message
Last commit date

parent directory

..
benchmark
benchmark
 
 
export_model
export_model
 
 
gen_model
gen_model
 
 
infer_python
infer_python
 
 
README.md
README.md
 
 
env.sh
env.sh
 
 
requirements.txt
requirements.txt
 
 
run.sh
run.sh
 
 

README.md

YOLOv8 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 YOLOv8 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

1. 模型概述

本例使用的 YOLOv8 实现来自 github 开源项目 https://github.com/ultralytics/ultralytics 。下面将展示如何将该项目中 PyTorch 实现的 YOLOv8 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/yolov8_pytorch

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

3.4 编译 MagicMind 模型

cd ${PROJ_ROOT_PATH}/gen_model
# bash run.sh <precision> <batch_size> <dynamic_shape> <magicmind_model>
# 指定您想输出的magicmind_model路径，例如./model
bash run.sh force_float32 16 true ${magicmind_model}

3.5 执行推理

  1. infer_python 执行推理
cd ${PROJ_ROOT_PATH}/infer_python
#bash run.sh <magicmind_model> <image_num> <yolo_mode> <batch_size>
bash run.sh ${magicmind_model} 1000 val 16

使用 COCO API 计算精度，结果如下：

 Average Precision  (AP) @[ IoU=0.50:0.95 | area=   all | maxDets=100 ] = 0.373
 Average Precision  (AP) @[ IoU=0.50      | area=   all | maxDets=100 ] = 0.525
 Average Precision  (AP) @[ IoU=0.75      | area=   all | maxDets=100 ] = 0.405
 Average Precision  (AP) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = 0.185
 Average Precision  (AP) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.410
 Average Precision  (AP) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.535
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=   all | maxDets=  1 ] = 0.320
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=   all | maxDets= 10 ] = 0.532
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=   all | maxDets=100 ] = 0.588
 Average Recall     (AR) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = 0.366
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.653
 Average Recall     (AR) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.768

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/yolov8_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
#进行如下修改
return F.silu(input, inplace=self.inplace) 替换为 return input * torch.sigmoid(input)

或者直接运行以下代码：

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

2.当前代码修改官方仓库代码，以使程序能在寒武纪板卡上正常部署，如下所示：

cd ${PROJ_ROOT_PATH}/export_model/ultralytics
# 修改ultralytics，使用mm进行推理
git apply ${PROJ_ROOT_PATH}/export_model/yolov8_pytorch.patch

4.2 gen_model 高级说明

YOLOv8 PyTorch 模型转换为 YOLOv8 MagicMind 模型分成以下几步：

  • 使用 官方导出模型接口将pt文件转成opset=11的onnx 模型，再解析为 MagicMind 网络结构。
  • 模型量化。
  • 添加模型配置。
  • 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。

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_python 高级说明

参数说明：

  • magicmind_model: MagicMind 模型路径。
  • 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。
  • yolo_mode: yolo推理模式，val为验证，predict为预测。
  • batch_size: 一次推理的图片张数。

注意： 当前predict模式会复制一份数据集，如果数据集有写权限，可以修改infer_python/run.sh，取消复制数据集并替换推理时指定的数据集。

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} --iterations 1000 --devices ${device_id} --input_dims 16,3,640,640

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 YOLOv8 在 COCO2017 数据集中的 mAP， 如下所示：

Model Precision Batch_Size mAP (0.5:0.95) mAP (0.5)
YOLOv8 force_float32 16 0.373 0.525
YOLOv8 force_float16 16 0.373 0.526
YOLOv8 qint8_mixed_float16 16 0.363 0.520

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。