YOLOU 集成超轻量化 YOLO 系列模型YOLO-Fastest v2，ONNX一键导出部署！-阿里云开发者社区

YOLOU 集成超轻量化 YOLO 系列模型YOLO-Fastest v2，ONNX一键导出部署！

2023-02-01 1839

版权

本文内容由阿里云实名注册用户自发贡献，版权归原作者所有，阿里云开发者社区不拥有其著作权，亦不承担相应法律责任。具体规则请查看《阿里云开发者社区用户服务协议》和《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容，填写侵权投诉表单进行举报，一经查实，本社区将立刻删除涉嫌侵权内容。

本文涉及的产品

交互式建模 PAI-DSW，每月250计算时 3个月

模型在线服务 PAI-EAS，A10/V100等 500元 1个月

模型训练 PAI-DLC，100CU*H 3个月

简介： YOLOU 集成超轻量化 YOLO 系列模型YOLO-Fastest v2，ONNX一键导出部署！

Github地址：https://github.com/jizhishutong/YOLOU

YOLOU是一个集成YOLOv3、YOLOv4、YOLOv5、YOLOv6、YOLOv7、YOLOX以及YOLOR的YOLO系列目标检测算法库，对于轻量化目标检测同时也集成了YOLOv3-Tiny、YOLOv4-Tiny、YOLO-Fastest V2、FastestDet、YOLOv5-Lite以及YOLOX-Lite。

对于实际工程和遇到的问题也会进行一定实践经验的植入，诸如针对小目标检测问题集成了YOLOv5的改进版本——YOLOv5-SPD模型，以及解决域迁移问题的LF-YOLO模型等等。

为了方便大家能够产学研相结合，能够讲有用的思想和改进落地，这里也会进行实际落地的集成，目前已经开源的模型均可一键转换到ONNX文件进行各个推理框架的部署，目前在测试阶段的有TensorRT、NCNN、OpenVINO以及Tengine推理框架，近期均会开源。

为了大家在实际使用中能够尽可能实现自己的想法，YOLOU还集成了众多注意力模块以及困难任务的模型模块。目前支持和即将支持的模块如下：

对于实际过程落地问题所集成的模块

小目标问题模块：SPD-Conv、TPH-YOLO、YOLO-SlimNeck、NWD-Base Metric、YOLO-SAHI（测试完成）
域迁移问题模块：YOLO-SA、DAYOLO（测试完成）
恶劣天气问题模块：LF-YOLO（测试完成）

针对注意力模块

Self Attention
Involution
CARAFE
Bottleneck Transformer
SK Attention
CBAM Attention
SE Attention
Coordinate attention
Channel Attention Module
Spatial Attention Module
Coordinate attention
GAM Attention
Global Window Attention
SwinTransformer Block
等等

空间金字塔池化结构

SPP
SPPF
ASPP
RFB
SPPCSPC
GhostSPPCSPC
SPP_FastestDet
等等

对于重参结构

这里不仅仅支持离线架构重参，还支持在线结构化重参：

RepVGG
DBB
ACNet
OREPA
DyReP
等等

如何在YOLOU中构建超轻量化模型？

这里就给大家示意一下如何在YOLOU中添加YOLO-Fastest V2模型，实现超轻量化的YOLO系列算法，让YOLO在ARM端也能实时检测。

1、 YOLO-Fastest V2 模型框架的基本结构

首先第一步便是对于所搭建模型的整体架构的了解，这里笔者给大家把YOLO-Fastest v2的整体架构图绘制出来了，如果你对于YOLOU足够了解，你便知道如下图所示，YOLO-Fastest V2整个框架也是由Backbone+Neck+Head的基本范式进行的搭建，其中主要用到的模块有，ShuffleV2Block、CBS（Conv+BN+SiLU）、Upsample以及DWConvBlock。

下面便是基于前面的网络架构图进行搭建的YAML文件，具体实验大家可以去YOLOU的github进行尝试和实验。

backbone:
  # [from, number, module, args]
  [[-1, 1, SimConv, [24, 3, 2]],  # 0-P1/2
   [-1, 1, nn.MaxPool2d, [24, 3, 2, 1]],  # 1-P2/4
   [-1, 4, ShuffleNetV2x, [48, 3, 2]], #stage2/8
   [-1, 8, ShuffleNetV2x, [96, 3, 2]], # 3- stage3/16 C2
   [-1, 4, ShuffleNetV2x, [192, 3, 2]], # 4- stage4/32 C3
  ]
# YOLO-Fastest v6.0 head
head:
  [[-1, 1, SimConv, [72, 1, 1]], #5-S3
   [-1, 1, DWConvblockX, [72, 5]], #6-cls_3, obj_3
   [5, 1, DWConvblockX, [72, 5]],  #7-reg_3
   [4, 1, nn.Upsample, [None, 2, 'nearest']], 
   [[-1, 3], 1, Concat, [1]],  # p2
   [-1, 1, SimConv, [72, 1, 1]],  # 10-S2
   [-1, 1, DWConvblockX, [72, 5]], #11-cls_2, obj_2
   [10, 1, DWConvblockX, [72, 5]], #12-reg_2
   [[12, 11, 7, 6], 1, DetectFaster, [nc, anchors]],  # Detect(P3, P4, P5)
  ]

这里可以看出模型的主干为ShuffleNet V2。与原始主干相比，内存访问减少且更轻。其次，Anchor的匹配机制指的是YOLOV5，它实际上是Yolov 5和Darknet的官方版本。

下一步是检测头的解耦。这也是对YoloX的参考。它将返回检测帧并对前景和背景进行分类。检测类别的分类将Yolo的特征图耦合到3个不同的特征图中，其中前景背景的分类和检测类别的归类共享相同的网络分支参数。

最后，用Softmax代替检测损失类别分类。

顺便说一句，作者只用2个尺度的检测头输出11×11和22×22进行检测输出，因为原始作者使用3个检测头（11×11、22×22、44×44）和2个检测头的精度在coco中没有太大差异。

作者认为的原因如下：

主干对应于44×44分辨率的特征图太少;
正archors和负archors严重失衡;
小目标是困难的样本，需要很高的模型学习能力;

因此，YOLO-Fastest v2不仅应该关注耗时的模型推理，还应该关注模型推理所消耗的系统资源、内存和CPU使用。例如，两种型号的CPU都可以达到30fps，但在单核实时的情况下，CPU仅占型号A的20%。当4个内核完全打开时，B型可以实现实时性。CPU使用率可能为100%，但B型性能可能更好。在这种情况下，需要权衡利弊。

下面是官方的精度和不同模型的对比，可以看到还是很香的！

2、Detect.py的修改

这里修改的目的主要是为了迎合onnx的导出，以方便onnx在不同推理框架的部署，这里我们了解Yolo-v5和YOLO-Fastest v2的朋友应该知道，其对于样本的分配以及Anchor的机制基本没对YOLOV5进行修改，但是YOLO-Fastest v2终究是没有基于YOLOV5进行搭建，因此集成的过程中会遇到导出onnx时加入grid过程中产生很多不规范的op，因此这里也进行了修改。

原始YOLO-Fastest v2的检测头搭建如下：

class Detector(nn.Module):
    def __init__(self, classes, anchor_num, load_param, export_onnx = False):
        super(Detector, self).__init__()
        out_depth = 72
        stage_out_channels = [-1, 24, 48, 96, 192]
        self.export_onnx = export_onnx
        self.backbone = ShuffleNetV2(stage_out_channels, load_param)
        self.fpn = LightFPN(stage_out_channels[-2] + stage_out_channels[-1], stage_out_channels[-1], out_depth)
        self.output_reg_layers = nn.Conv2d(out_depth, 4 * anchor_num, 1, 1, 0, bias=True)
        self.output_obj_layers = nn.Conv2d(out_depth, anchor_num, 1, 1, 0, bias=True)
        self.output_cls_layers = nn.Conv2d(out_depth, classes, 1, 1, 0, bias=True)
    def forward(self, x):
        C2, C3 = self.backbone(x)
        cls_2, obj_2, reg_2, cls_3, obj_3, reg_3 = self.fpn(C2, C3)
        out_reg_2 = self.output_reg_layers(reg_2)
        out_obj_2 = self.output_obj_layers(obj_2)
        out_cls_2 = self.output_cls_layers(cls_2)
        out_reg_3 = self.output_reg_layers(reg_3)
        out_obj_3 = self.output_obj_layers(obj_3)
        out_cls_3 = self.output_cls_layers(cls_3)
        if self.export_onnx:
            out_reg_2 = out_reg_2.sigmoid()
            out_obj_2 = out_obj_2.sigmoid()
            out_cls_2 = F.softmax(out_cls_2, dim = 1)
            out_reg_3 = out_reg_3.sigmoid()
            out_obj_3 = out_obj_3.sigmoid()
            out_cls_3 = F.softmax(out_cls_3, dim = 1)
            print("export onnx ...")
            return torch.cat((out_reg_2, out_obj_2, out_cls_2), 1).permute(0, 2, 3, 1), \
                   torch.cat((out_reg_3, out_obj_3, out_cls_3), 1).permute(0, 2, 3, 1)  
        else:
            return out_reg_2, out_obj_2, out_cls_2, out_reg_3, out_obj_3, out_cls_3

具体修改如下：

class DetectFaster(nn.Module):
    onnx_dynamic = False  # ONNX export parameter
    export = False  # export mode
    def __init__(self, num_classes, anchors=(), in_channels=(72, 72, 72, 72), inplace=True, prior_prob=1e-2):
        super(DetectFaster, self).__init__()
        out_depth = 72
        self.num_classes = num_classes
        self.nc = self.num_classes
        self.no = self.nc + 5  # number of outputs per anchor
        self.nl = len(anchors)  # number of detection layers
        self.grid = [torch.zeros(1)] * self.nl  # init grid
        self.anchor_grid = [torch.zeros(1)] * self.nl  # init anchor grid
        self.na = len(anchors[0]) // 2  # number of anchors
        self.output_reg_layers = nn.Conv2d(out_depth, 4 * self.na, 1, 1, 0)
        self.output_obj_layers = nn.Conv2d(out_depth, self.na, 1, 1, 0)
        self.output_cls_layers = nn.Conv2d(out_depth, self.nc, 1, 1, 0)
        self.inplace = inplace
        self.m = nn.ModuleList([self.output_reg_layers, self.output_obj_layers, self.output_cls_layers])
        self.register_buffer('anchors', torch.tensor(anchors).float().view(self.nl, -1, 2))
        self.prior_prob = prior_prob
        self.layer_index = [0, 0, 0, 1, 1, 1]
    def initialize_biases(self):
        for _, module in self.named_modules():
            if isinstance(module, nn.Conv2d):
                if module.bias is not None:
                    init.constant_(module.bias, 0)
    def forward(self, xin):
        preds = [xin[0], xin[1], xin[1], xin[2], xin[3], xin[3]]
        for i in range(self.nl):
            preds[i * 3] = self.m[0](preds[i * 3])
            preds[(i * 3) + 1] = self.m[1](preds[(i * 3) + 1])
            preds[(i * 3) + 2] = self.m[2](preds[(i * 3) + 2])
        if self.training:
            return preds[0], preds[1], preds[2], preds[3], preds[4], preds[5]
        else:
            z = []
            for i in range(self.nl):
                bs, _, h, w = preds[i * 3].shape
                if self.export:
                    bs = -1
                reg_preds = preds[i * 3].view(bs, self.na, 4, h, w).sigmoid()
                obj_preds = preds[(i * 3) + 1].view(bs, self.na, 1, h, w).sigmoid()
                cls_preds = preds[(i * 3) + 2].view(bs, 1, self.nc, h, w).repeat(1, 3, 1, 1, 1)
                cls_preds = F.softmax(cls_preds, dim=2)
                x = torch.cat([reg_preds, obj_preds, cls_preds], 2)
                y = x.view(bs, self.na, self.no, h, w).permute(0, 1, 3, 4, 2).contiguous()
                if self.onnx_dynamic or self.grid[i].shape[2:4] != x.shape[2:4]:
                    self.grid[i], self.anchor_grid[i] = self._make_grid(w, h, i)
                if self.inplace:
                    y[..., 0:2] = (y[..., 0:2] * 2 + self.grid[i]) * self.stride[i * 3]  # xy
                    y[..., 2:4] = (y[..., 2:4] * 2) ** 2 * self.anchor_grid[i]  # wh
                else:
                    xy, wh, conf = y.split((2, 2, self.nc + 1), 4)  # y.tensor_split((2, 4, 5), 4)  # torch 1.8.0
                    xy = (xy * 2 + self.grid[i]) * self.stride[i * 3]  # xy
                    wh = (wh * 2) ** 2 * self.anchor_grid[i]  # wh
                    y = torch.cat((xy, wh, conf), 4)
                z.append(y.view(bs, -1, self.no))
                output = torch.cat(z, 1)
            return (output,)