9. 使用智能深度学习处理器做后处理

目前TPU-MLIR支持将yolo系列和ssd网络模型的后处理集成到模型中, 目前支持该功能的处理器有BM1684X、BM1688、CV186X。

本章将yolov5s转成为F16模型为例, 介绍该功能如何被使用。

本章需要安装tpu_mlir。

9.1. 安装tpu-mlir

$ pip install tpu_mlir[onnx]

9.2. 准备工作目录

建立 model_yolov5s 目录, 注意是与tpu-mlir同级目录; 并把模型文件和图片文件都 放入 model_yolov5s 目录中。

操作如下:

$ mkdir yolov5s_onnx && cd yolov5s_onnx
$ wget https://github.com/ultralytics/yolov5/releases/download/v6.0/yolov5s.onnx
$ cp -rf tpu_mlir_resource/dataset/COCO2017 .
$ cp -rf tpu_mlir_resource/image .
$ mkdir workspace && cd workspace

请从Github的 Assets 处下载 tpu-mlir-resource.tar 并解压，解压后的文件夹的路径即是 tpu_mlir_resource。

9.3. ONNX转MLIR

模型转换命令如下:

$ model_transform \
    --model_name yolov5s \
    --model_def ../yolov5s.onnx \
    --input_shapes [[1,3,640,640]] \
    --mean 0.0,0.0,0.0 \
    --scale 0.0039216,0.0039216,0.0039216 \
    --keep_aspect_ratio \
    --pixel_format rgb \
    --output_names 326,474,622 \
    --add_postprocess yolov5 \
    --test_input ../image/dog.jpg \
    --test_result yolov5s_top_outputs.npz \
    --mlir yolov5s.mlir

这里要注意两点, 一是命令中需要加入 --add_postprocess 参数; 二是指定的 --output_names 对应最后的卷积操作。

生成后的 yolov5s.mlir 文件最后被插入了一个 top.YoloDetection, 如下:

%260 = "top.Weight"() : () -> tensor<255x512x1x1xf32> loc(#loc261)
%261 = "top.Weight"() : () -> tensor<255xf32> loc(#loc262)
%262 = "top.Conv"(%253, %260, %261) {dilations = [1, 1], do_relu = false, group = 1 : i64, kernel_shape = [1, 1], pads = [0, 0, 0, 0], relu_limit = -1.000000e+00 : f64, strides = [1, 1]} : (tensor<1x512x20x20xf32>, tensor<255x512x1x1xf32>, tensor<255xf32>) -> tensor<1x255x20x20xf32> loc(#loc263)
%263 = "top.YoloDetection"(%256, %259, %262) {agnostic_nms = false, anchors = [10, 13, 16, 30, 33, 23, 30, 61, 62, 45, 59, 119, 116, 90, 156, 198, 373, 326], class_num = 80 : i64, keep_topk = 200 : i64, net_input_h = 640 : i64, net_input_w = 640 : i64, nms_threshold = 5.000000e-01 : f64, num_boxes = 3 : i64, obj_threshold = 5.000000e-01 : f64, version = "yolov5"} : (tensor<1x255x80x80xf32>, tensor<1x255x40x40xf32>, tensor<1x255x20x20xf32>) -> tensor<1x1x200x7xf32> loc(#loc264)
return %263 : tensor<1x1x200x7xf32> loc(#loc)

这里看到 top.YoloDetection 包括了anchors、num_boxes等等参数, 如果并非标准的yolo后处理, 需要改成其他参数, 可以直接修改mlir文件的这些参数。

另外输出也变成了1个, shape为 1x1x200x7, 其中200代表最大检测框数, 当有多个batch时, 它的数值会变为 batch x 200; 7分别指 [batch_number, class_id, score, center_x, center_y, width, height]。 其中坐标是相对模型输入长宽的坐标, 比如本例中640x640, 数值参考如下：

[0., 16., 0.924488, 184.21094, 401.21973, 149.66412, 268.50336 ]

9.4. MLIR转换成BModel

将mlir文件转换成F16的bmodel, 操作方法如下:

$ model_deploy \
    --mlir yolov5s.mlir \
    --quantize F16 \
    --processor bm1684x \
    --fuse_preprocess \
    --test_input ../image/dog.jpg \
    --test_reference yolov5s_top_outputs.npz \
    --model yolov5s_1684x_f16.bmodel

这里加上参数 --fuse_preprocess, 是为了将前处理也合并到模型中。 这样转换后的模型就是包含了前后处理的模型, 用 model_tool 查看模型信息如下:

$ model_tool --info yolov5s_1684x_f16.bmodel

bmodel version: B.2.2
chip: BM1684X
create time: Wed Jan  3 07:29:14 2024

kernel_module name: libbm1684x_kernel_module.so
kernel_module size: 2677600
==========================================
net 0: [yolov5s]  static
------------
stage 0:
subnet number: 2
input: images_raw, [1, 3, 640, 640], uint8, scale: 1, zero_point: 0
output: yolo_post, [1, 1, 200, 7], float32, scale: 1, zero_point: 0

device mem size: 31238060 (coeff: 14757888, instruct: 124844, runtime: 16355328)
host mem size: 0 (coeff: 0, runtime: 0)

这里的 [1, 1, 200, 7] 是最大shape, 实际输出根据检测的框数有所不同。

9.5. 模型验证

在本发布包中有用python写好的yolov5用例, 使用 detect_yolov5 命令, 用于对图片进行目标检测。 该命令对应源码路径 {package/path/to/tpu_mlir}/python/samples/detect_yolov5.py 。 阅读该代码可以了解最终输出结果是怎么转换画框的。

命令执行如下:

$ detect_yolov5 \
    --input ../image/dog.jpg \
    --model yolov5s_1684x_f16.bmodel \
    --net_input_dims 640,640 \
    --fuse_preprocess \
    --fuse_postprocess \
    --output dog_out.jpg