点击上方“AI算法修炼营”，选择加星标或“置顶”
标题以下，全是干货
整理：公众号@深度学习与计算机视觉
作者：nihui
链接：https://zhuanlan.zhihu.com/p/128974102
本文转载自知乎，作者已授权，未经许可请勿二次转载。
https://urlify.cn/rURFry
端到端一阶段完成实例分割
速度快，550x550图片在TitanXP上号称达到33FPS
开源代码，pytorch大法好！
1 缘由
纵观整个github，无论是ncnn还是ncnn衍生项目，分类，检测，定位，特征提取，OCR，风格转换....
然而，就是没有找到实例分割的例子，以至于有人发了个issue，并点名要求搞个 YOLACT 实例分割https://github.com/Tencent/ncnn/issues/1679
那好吧于是写个YOLACT例子，顺带介绍下如何用ncnn实现类似这种需要后处理的算法
YOLACT项目里有YOLACT++模型，速度更快，效果更好，不过YOLACT++用了个对部署不友好的经典骚操作deformable convolution
假装没看到，我们去下载YOLACT模型
新建weights文件夹，下载 yolact_resnet50_54_800000.pth
根据 README 指示，先拿张图试试看效果
$ python eval.py --trained_model=weights/yolact_resnet50_54_800000.pth --score_threshold=0.15 --top_k=15 --image=test.jpg
直接修改 eval.py 的 evalimage，把结果展示换成 onnx export
def evalimage(net:Yolact, path:str, save_path:str=None):
frame = torch.from_numpy(cv2.imread(path)).cuda().float()
batch = FastBaseTransform()(frame.unsqueeze(0))
preds = net(batch)
torch.onnx._export(net, batch, "yolact.onnx", export_params=True, keep_initializers_as_inputs=True, opset_version=11)
根据YOLACT issue中的信息，yolact.py开头的JIT要关掉才能导出onnx
# As of March 10, 2019, Pytorch DataParallel still doesn't support JIT Script Modules
use_jit = False
YOLACT后处理部分写得非常 pythonic，这样直接导出不行，要把后处理从模型剔除，方便导出转换
即便onnx能导出后处理，也不建议这么做
后处理部分没有标准化，每个项目作者的实现细节也各不相同，比如各种nms和bbox计算方式，ncnn很难用统一的op实现(caffe-ssd因为只有一种版本，所以有实现)
后处理在onnx中会转换成一大坨胶水op，非常琐碎，在框架中实现效率低下
onnx的大部分胶水op，ncnn不支持或有兼容问题，比如Gather等，无法直接使用
因此，去掉后处理导出onnx，是正确转换 pytorch ssd 等类似模型的通常做法
打开yolact.py，找到 class Yolact 的 forward 方法，把 detect 过程去掉，直接返回模型的 pred_outs 输出
# return self.detect(pred_outs, self)
return pred_outs;
再一次跑一遍图片测试，不包含后处理的 yolact.onnx 出现了
$ python eval.py --trained_model=weights/yolact_resnet50_54_800000.pth --score_threshold=0.15 --top_k=15 --image=test.jpg
直接导出的onnx模型有很多胶水op是ncnn不支持的，用onnx-simplifier是常规操作
$ pip install -U onnx --user
$ pip install -U onnxruntime --user
$ pip install -U onnx-simplifier --user
$ python -m onnxsim yolact.onnx yolact-sim.onnx
这时候遇到个问题
Graph must be in single static assignment (SSA) form, however '523' has been used as output names multiple times
经过在github翻看issue，确认这是 onnx bug
https://link.zhihu.com/?target=https%3A//github.com/onnx/onnx/issues/2613
幸好 onnx-simplifier 已提供办法绕过
$ python -m onnxsim --skip-fuse-bn yolact.onnx yolact-sim.onnx
前面简化onnx的时候，--skip-fuse-bn 跳过了 batchnorm 合并，不过没关系，ncnn 也有这个功能
ncnnoptimize 工具实现了很多种算子融合，比如常见的 convolution-batchnorm-relu 等等
最后的参数 0 表示fp32模型，65536 表示精简为fp16模型，能减少模型二进制体积
$ ./onnx2ncnn yolact-sim.onnx yolact.param yolact.bin
$ ./ncnnoptimize yolact.param yolact.bin yolact-opt.param yolact-opt.bin 0
还是这句话，不报错不代表一定能用，先用netron工具打开param看看模型结构
这个模型输出有四个，用红框框出来了
Convolution Conv_263 1 1 617 619 0=32 1=1 5=1 6=8192 9=1
Permute Transpose_265 1 1 619 620 0=3
UnaryOp Tanh_400 1 1 814 815 0=16
Concat Concat_401 5 1 634 673 712 751 790 816 0=-3
Concat Concat_402 5 1 646 685 724 763 802 817 0=-3
Concat Concat_403 5 1 659 698 737 776 815 818 0=-3
Softmax Softmax_405 1 1 817 820 0=1 1=1
YOLACT 的后处理需要 loc conf prior mask maskdim 这些东西
一开始看不出这几个输出对应的是什么，那么就先看shape
ncnn::Extractor ex = yolact.create_extractor();
ncnn::Mat in(550, 550, 3);
ex.input("input.1", in);
ncnn::Mat b620;
ncnn::Mat b816;
ncnn::Mat b818;
ncnn::Mat b820;
ex.extract("620", b620);// 32 x 138x138
ex.extract("816", b816);// 4 x 19248
ex.extract("818", b818);// 32 x 19248
ex.extract("820", b820);// 81 x 19248
直接编译运行发现 Concat 层 crash，即图中蓝框，Concat axis 参数是负数 0=-3，ncnn 还不支持
根据 Concat 多个输入shape，发现是二维数据在 h axis concat，直接改成 0=0 就可以替代
Concat Concat_401 5 1 634 673 712 751 790 816 0=0
Concat Concat_402 5 1 646 685 724 763 802 817 0=0
Concat Concat_403 5 1 659 698 737 776 815 818 0=0
b820在softmax后面，确信是 conf，shape 81x19248 表示 81分类 x 19248个prior
b816 shape 4x19248，对应于每个priorbox的bbox的偏移值
b818 shape 32x19248，根据YOLACT的后处理看，表示的是 maskdim，即32个分割热图的系数
b620 shape 32x138x138，即32个分割热图，前面有个permute层是NCHW->NHWC的转换 prior没有在模型中输出
ncnn 处理 b620 NHWC shape 不方便，改为 extract permute 前的 NCHW 数据 b619，即图中绿框输出
ncnn::Extractor ex = yolact.create_extractor();
ncnn::Mat in(550, 550, 3);
ex.input("input.1", in);
ncnn::Mat maskmaps;
ncnn::Mat location;
ncnn::Mat mask;
ncnn::Mat confidence;
ex.extract("619", maskmaps);// 138x138 x 32
ex.extract("816", location);// 4 x 19248
ex.extract("818", mask);// maskdim 32 x 19248
ex.extract("820", confidence);// 81 x 19248
原始代码在 yolact.py class PredictionModule make_priors，增加一些 print 获得全部 priorbox 生成规则超参
const int conv_ws[5] = {69, 35, 18, 9, 5};
const int conv_hs[5] = {69, 35, 18, 9, 5};
const float aspect_ratios[3] = {1.f, 0.5f, 2.f};
const float scales[5] = {24.f, 48.f, 96.f, 192.f, 384.f};
YOLACT的prior四个数值是 center_x center_y box_w box_h，值域 0~1
作者当初写了个bug，box_h = box_w 固定成方的了，我们也要把这个bug复现出来
// make priorbox
ncnn::Mat priorbox(4, 19248);
{
float* pb = priorbox;
for (int p = 0; p < 5; p++)
{
int conv_w = conv_ws[p];
int conv_h = conv_hs[p];
float scale = scales[p];
for (int i = 0; i < conv_h; i++)
{
for (int j = 0; j < conv_w; j++)
{
// +0.5 because priors are in center-size notation
float cx = (j + 0.5f) / conv_w;
float cy = (i + 0.5f) / conv_h;
for (int k = 0; k < 3; k++)
{
float ar = aspect_ratios[k];
ar = sqrt(ar);
float w = scale * ar / 550;
float h = scale / ar / 550;
// This is for backward compatability with a bug where I made everything square by accident
// cfg.backbone.use_square_anchors:
h = w;
pb[0] = cx;
pb[1] = cy;
pb[2] = w;
pb[3] = h;
pb += 4;
}
}
}
}
}
data/config.py 有 ImageNet 的 MEAN STD，BGR顺序
# These are in BGR and are for ImageNet
MEANS = (103.94, 116.78, 123.68)
STD = (57.38, 57.12, 58.40)
YOLACT实际输入RGB，要换下顺序
const int target_size = 550;
int img_w = bgr.cols;
int img_h = bgr.rows;
ncnn::Mat in = ncnn::Mat::from_pixels_resize(bgr.data, ncnn::Mat::PIXEL_BGR2RGB, img_w, img_h, target_size, target_size);
const float mean_vals[3] = {123.68f, 116.78f, 103.94f};
const float norm_vals[3] = {1.0/58.40f, 1.0/57.12f, 1.0/57.38f};
in.substract_mean_normalize(mean_vals, norm_vals);
这部分和 SSD 后处理非常类似，sort nms 这些代码抠 ncnn/src/layer/detectionoutput.cpp
唯一要注意的地方就是 bbox 生成和 SSD 不一样，要用 center_x center_y box_w box_h 实现，YOLACT原代码在 layers/box_util.py decode 函数
YOLACT有fastnms方法 layers/funstions/detection.py，速度更快，可我觉得普通nms毕竟是现成代码，用着挺好的
// generate all candidates for each class
for (int i=0; i<num_priors; i++)
{
// find class id with highest score
// start from 1 to skip background
// ignore background or low score
if (label == 0 || score <= confidence_thresh)
continue;
// apply center_size to priorbox with loc
float var[4] = {0.1f, 0.1f, 0.2f, 0.2f};
float pb_cx = pb[0];
float pb_cy = pb[1];
float pb_w = pb[2];
float pb_h = pb[3];
float bbox_cx = var[0] * loc[0] * pb_w + pb_cx;
float bbox_cy = var[1] * loc[1] * pb_h + pb_cy;
float bbox_w = (float)(exp(var[2] * loc[2]) * pb_w);
float bbox_h = (float)(exp(var[3] * loc[3]) * pb_h);
float obj_x1 = bbox_cx - bbox_w * 0.5f;
float obj_y1 = bbox_cy - bbox_h * 0.5f;
float obj_x2 = bbox_cx + bbox_w * 0.5f;
float obj_y2 = bbox_cy + bbox_h * 0.5f;
// clip inside image
// append object candidate
}
// merge candidate box for each class
for (int i=0; i<(int)class_candidates.size(); i++)
{
// sort + nms
}
// sort all result by score
// keep_top_k
maskmaps 实际是 32 张 138x138 尺寸的热图，前面输出的每个 object 都自带 32 个 float 系数
object 的分割图就是每张热图 * 对应系数，求和，放大到原图尺寸，二值化，最后 crop inside 输出框
unnatrual很好看的！
噫？还有补充学习资料？
ncnn实现代码和转好的模型已上传到github
https://link.zhihu.com/?target=https%3A//github.com/Tencent/ncnn
目标检测系列秘籍一：模型加速之轻量化网络秘籍二：非极大值抑制及回归损失优化秘籍三：多尺度检测秘籍四：数据增强秘籍五：解决样本不均衡问题秘籍六：Anchor-Free视觉注意力机制系列Non-local模块与Self-attention之间的关系与区别？视觉注意力机制用于分类网络：SENet、CBAM、SKNetNon-local模块与SENet、CBAM的融合：GCNet、DANetNon-local模块如何改进？来看CCNet、ANN
语义分割系列一篇看完就懂的语义分割综述最新实例分割综述：从Mask RCNN 到 BlendMask超强视频语义分割算法！基于语义流快速而准确的场景解析CVPR2020 | HANet:通过高度驱动的注意力网络改善城市场景语义分割
基础积累系列卷积神经网络中的感受野怎么算？
图片中的绝对位置信息，CNN能搞定吗？理解计算机视觉中的损失函数深度学习相关的面试考点总结
自动驾驶学习笔记系列 Apollo Udacity自动驾驶课程笔记——高精度地图、厘米级定位 Apollo Udacity自动驾驶课程笔记——感知、预测 Apollo Udacity自动驾驶课程笔记——规划、控制自动驾驶系统中Lidar和Camera怎么融合？
竞赛与工程项目分享系列如何让笨重的深度学习模型在移动设备上跑起来基于Pytorch的YOLO目标检测项目工程大合集目标检测应用竞赛：铝型材表面瑕疵检测基于Mask R-CNN的道路物体检测与分割
SLAM系列视觉SLAM前端：视觉里程计和回环检测视觉SLAM后端：后端优化和建图模块视觉SLAM中特征点法开源算法：PTAM、ORB-SLAM视觉SLAM中直接法开源算法：LSD-SLAM、DSO视觉SLAM中特征点法和直接法的结合：SVO
2020年最新的iPad Pro上的激光雷达是什么？来聊聊激光SLAM