NCNN+Int8+yolov5部署和量化
时间：2023-11-30 04:07:02
点击上方“3D视觉车间，选择星标
第一时间送达干货
【引言】 开始准备写作yolov5 ncnn int8量化教程，但在yolov5的量化遇到了麻烦。一方面，量化后速度较慢，另一方面，精度严重下降全屏都是检测框。经过多次尝试，最终以失败告终。
后来，我决定改变其他方式yolov5量化，即使是最小的yolov5s模型量化后可以加速，但还是不能满足我对速度的需求。第二，对于Focus层，无论使用哪个向前推理框架，都应添加额外的对Focus层的拼接操作对我来说太麻烦了。
于是，我对yolov5.做了一系列轻量化的改变，使他的网络结构更加简洁，可以真正加速(比如arm结构系列树莓派至少可以加速三倍；x86架构的inter处理器也可以加速一倍左右):
详见模型结构：ShuffleNetV2-Yolov5 更轻更快易于部署的yolov5
这个博客还是接下来的yolov量化工作，对yolov5进行ncnn部署和量化。本文版权属于GiantPandaCV，未经许可请勿转载
一、环境准备
主要工具有两种：
ncnn推理框架 地址链接：https://github.com/Tencent/ncnn
shufflev2-yolov5.源代码和权重 地址链接：https://github.com/ppogg/shufflev2-yolov5
模型性能如下：
关于ncnn在线编译和安装教程很多，但推荐linux环境运行，window也可以，但是可能会踩很多坑。
二、onnx模型提取
gitclonehttps://github.com/ppogg/shufflev2-yolov5.git pythonmodels/export.py--weightsweights/yolov5ss.pt--img640--batch1 python-monnxsimweights/yolov5ss.onnxweights/yolov5ss-sim.onnx 这个过程一般都很顺利~
三、转化为ncnn模型
./onnx2ncnnyolov5ss-sim.onnxyolov5ss.paramyolov5ss.bin ./ncnnoptimizeyolov5ss.paramyolov5ss.binyolov5ss-opt.paramyolov5ss-opt.bin65536 这个过程还是不会卡，提取顺利，这个时候就有了fp32，fp一共有四个模型：
为了实现动态尺寸图像处理，需要对yolov5ss-opt.param的reshape操作进行修改：
把以上三处reshape统一改为-1：
不需要改变其他地方。
四、后处理修改
ncnn官方的yolov5.cpp两个地方需要修改
anchor信息是在 models/yolov5ss-1.0.yaml，根据自己的数据收集类别anchor进行对应的修改：
输出层ID在Permute层内还需要相应的修改：
修改后如下：
此时，修改的地方只有以上几点，Focus层代码也可看个人情况移除，重新make可以检测。
fp模型检测效果如下：
还有，不要问为什么三轮车检测不到。coco数据集有三轮车吗？
五、Int8量化
更详细的教程可以参考我的知乎博客yolov4-tiny这篇文章不会讨论很多细节(下面附链接)。
这里需要补充几点：
请使用验证表数据集coco_val5000张数据集；
mean和val在原来的训练模型中，需要与设定的值保持一致yolov5ss.cpp还需要保持一致；
验证过程相对较长，请耐心等待
运行代码：
findimages/-typef>imagelist.txt ./ncnn2tableyolov5ss-opt.paramyolov5ss-opt.binimagelist.txtyolov5ss.tablemean=[104,117,123]norm=[0.017,0.017,0.017]shape=[640,640,3]pixel=BGRthread=8method=kl ./ncnn2int8yolov5ss-opt.paramyolov5ss-opt.binyolov5ss-opt-int8.paramyolov5ss-opt-int8.binyolov5ss.table 量化模型如下：
量化后的模型尺寸约为1.7m左右，应该能满足你对小模型大小的强迫症；
此时，量化后可以使用shufflev2-yolov5模型检测：
量化后的精度略有损失，但仍在可接受范围内。对于具有明显大规模特征的目标，模型量化后不能完全降低精度，shufflev2-yolov5对此类目标score它可以保持不变（事实上，它仍然会下降），但对于远距离的小尺度目标，score会下降10%-30%，没办法，请理性看待模型。
除前三次预热外，树莓派温度为45°以上，测试模型并量化模型benchmark如下：
#第四次 pi@raspberrypi:~/Downloads/ncnn/build/benchmark$./benchncnn840 loop_count=8 num_threads=4 powersave=0 gpu_device=-1 cooling_down=1 shufflev2-yolov5min=90.86max=93.53avg=91.56 shufflev2-yolov5-int8min=83.15max=84.17avg=83.65 shufflev2-yolov5-416min=154.51max=155.59avg=155.09 yolov4-tinymin=298.94max=302.47avg=300.69 &bsp;nanodet_m min = 86.19 max = 142.79 avg = 99.61
squeezenet min = 59.89 max = 60.75 avg = 60.41
squeezenet_int8 min = 50.26 max = 51.31 avg = 50.75
mobilenet min = 73.52 max = 74.75 avg = 74.05
mobilenet_int8 min = 40.48 max = 40.73 avg = 40.63
mobilenet_v2 min = 72.87 max = 73.95 avg = 73.31
mobilenet_v3 min = 57.90 max = 58.74 avg = 58.34
shufflenet min = 40.67 max = 41.53 avg = 41.15
shufflenet_v2 min = 30.52 max = 31.29 avg = 30.88
mnasnet min = 62.37 max = 62.76 avg = 62.56
proxylessnasnet min = 62.83 max = 64.70 avg = 63.90
efficientnet_b0 min = 94.83 max = 95.86 avg = 95.35
efficientnetv2_b0 min = 103.83 max = 105.30 avg = 104.74
regnety_400m min = 76.88 max = 78.28 avg = 77.46
blazeface min = 13.99 max = 21.03 avg = 15.37
googlenet min = 144.73 max = 145.86 avg = 145.19
googlenet_int8 min = 123.08 max = 124.83 avg = 123.96
resnet18 min = 181.74 max = 183.07 avg = 182.37
resnet18_int8 min = 103.28 max = 105.02 avg = 104.17
alexnet min = 162.79 max = 164.04 avg = 163.29
vgg16 min = 867.76 max = 911.79 avg = 889.88
vgg16_int8 min = 466.74 max = 469.51 avg = 468.15
resnet50 min = 333.28 max = 338.97 avg = 335.71
resnet50_int8 min = 239.71 max = 243.73 avg = 242.54
squeezenet_ssd min = 179.55 max = 181.33 avg = 180.74
squeezenet_ssd_int8 min = 131.71 max = 133.34 avg = 132.54
mobilenet_ssd min = 151.74 max = 152.67 avg = 152.32
mobilenet_ssd_int8 min = 85.51 max = 86.19 avg = 85.77
mobilenet_yolo min = 327.67 max = 332.85 avg = 330.36
mobilenetv2_yolov3 min = 221.17 max = 224.84 avg = 222.60
大约可以提速5-10%左右，手上没有rv和rk系列的板子，所以其他板子的测试就需要社区的朋友进行测试了~
至于之前的yolov5s为什么量化后速度变慢，甚至精度下降严重，唯一的解释就出在了Focus层，这玩意稍微对不齐就很容易崩，也比较费脑，索性移除了。
六、总结
本文提出shufflev2-yolov5的部署和量化教程；
剖析了之前yolov5s之所以量化容易崩坏的原因；
ncnn的fp16模型对比原生torch模型精度可保持不变；
[上图，左为torch原模型，右为fp16模型]
ncnn的int8模型精度会略微下降，速度在树莓派上仅能提升5-10%，其他板子暂未测试；
[上图，左为torch原模型，右为int8模型]
项目地址：https://github.com/ppogg/shufflev2-yolov5
2021年08月20日更新:
本人已经完成了Android版本的适配
这是本人的红米手机,处理器为高通骁龙730G，检测的效果如下:
这是量化后的int8模型检测效果:
户外场景检测:
七、参考
【1】nihui：详细记录u版YOLOv5目标检测ncnn实现
【2】pogg：NCNN+Int8+YOLOv4量化模型和实时推理
【3】pogg：ncnn+opencv+yolov5调用摄像头进行检测
【4】https://github.com/ultralytics/yolov5
本文仅做学术分享，如有侵权，请联系删文。
下载1
在「3D视觉工坊」公众号后台回复：3D视觉，即可下载 3D视觉相关资料干货，涉及相机标定、三维重建、立体视觉、SLAM、深度学习、点云后处理、多视图几何等方向。
下载2
在「3D视觉工坊」公众号后台回复：3D视觉github资源汇总，即可下载包括结构光、标定源码、缺陷检测源码、深度估计与深度补全源码、点云处理相关源码、立体匹配源码、单目、双目3D检测、基于点云的3D检测、6D姿态估计源码汇总等。
下载3
在「3D视觉工坊」公众号后台回复：相机标定，即可下载独家相机标定学习课件与视频网址；后台回复：立体匹配，即可下载独家立体匹配学习课件与视频网址。
重磅！3DCVer-学术论文写作投稿 交流群已成立
扫码添加小助手微信，可申请加入3D视觉工坊-学术论文写作与投稿 微信交流群，旨在交流顶会、顶刊、SCI、EI等写作与投稿事宜。
同时也可申请加入我们的细分方向交流群，目前主要有3D视觉、CV&深度学习、SLAM、三维重建、点云后处理、自动驾驶、多传感器融合、CV入门、三维测量、VR/AR、3D人脸识别、医疗影像、缺陷检测、行人重识别、目标跟踪、视觉产品落地、视觉竞赛、车牌识别、硬件选型、学术交流、求职交流、ORB-SLAM系列源码交流、深度估计等微信群。
一定要备注：研究方向+学校/公司+昵称，例如：”3D视觉 + 上海交大 + 静静“。请按照格式备注，可快速被通过且邀请进群。原创投稿也请联系。
▲长按加微信群或投稿
▲长按关注公众号
3D视觉从入门到精通知识星球：针对3D视觉领域的视频课程（三维重建系列、三维点云系列、结构光系列、手眼标定、相机标定、orb-slam3等视频课程）、知识点汇总、入门进阶学习路线、最新paper分享、疑问解答五个方面进行深耕，更有各类大厂的算法工程人员进行技术指导。与此同时，星球将联合知名企业发布3D视觉相关算法开发岗位以及项目对接信息，打造成集技术与就业为一体的铁杆粉丝聚集区，近2000星球成员为创造更好的AI世界共同进步，知识星球入口：
学习3D视觉核心技术，扫描查看介绍，3天内无条件退款
圈里有高质量教程资料、可答疑解惑、助你高效解决问题
觉得有用，麻烦给个赞和在看~
