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、BM1690。
本章将yolov5s和yolov8s_seg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 进入Docker容器，并执行以下命令安装TPU-MLIR：
$ pip install tpu_mlir[onnx]
# or
$ pip install tpu_mlir-*-py3-none-any.whl[onnx]
请从Github的 Assets 处下载 tpu-mlir-resource.tar 并解压，解压后将文件夹重命名为 tpu_mlir_resource ：
$ tar -xvf tpu-mlir-resource.tar
$ mv regression/ tpu-mlir-resource/
9.1. 检测模型后处理添加（yolov5s）
9.1.1. 准备工作目录
建立 model_yolov5s 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:
1$ mkdir yolov5s_onnx && cd yolov5s_onnx
2$ wget https://github.com/ultralytics/yolov5/releases/download/v6.0/yolov5s.onnx
3$ cp -rf tpu_mlir_resource/dataset/COCO2017 .
4$ cp -rf tpu_mlir_resource/image .
5$ mkdir workspace && cd workspace
9.1.2. 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:
1%260 = "top.Weight"() : () -> tensor<255x512x1x1xf32> loc(#loc261)
2%261 = "top.Weight"() : () -> tensor<255xf32> loc(#loc262)
3%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)
4%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)
5return %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 ]
9.1.3. 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
1bmodel version: B.2.2
2processor: BM1684X
3create time: Wed Jan 3 07:29:14 2024
4
5kernel_module name: libbm1684x_kernel_module.so
6kernel_module size: 2677600
7==========================================
8net 0: [yolov5s] static
9------------
10stage 0:
11subnet number: 2
12input: images_raw, [1, 3, 640, 640], uint8, scale: 1, zero_point: 0
13output: yolo_post, [1, 1, 200, 7], float32, scale: 1, zero_point: 0
14
15device mem size: 31238060 (coeff: 14757888, instruct: 124844, runtime: 16355328)
16host 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。
9.1.4. 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
9.2. 分割模型后处理添加（yolov8s_seg）
9.2.1. 准备工作目录
建立 model_yolov8s_seg 目录, 使用官方模型导出onnx模型文件，并将图片文件放入 model_yolov8s_seg 目录中。
操作如下:
1$ mkdir yolov8s_seg_onnx && cd yolov8s_seg_onnx
2$ python -c "import torch; from ultralytics import YOLO; model = YOLO('yolov8s-seg.pt'); model.export(format='onnx')"
3$ cp -rf tpu_mlir_resource/dataset/COCO2017 .
4$ cp -rf tpu_mlir_resource/image .
5$ mkdir workspace && cd workspace
9.2.2. ONNX转MLIR
模型转换命令如下:
$ model_transform \
--model_name yolov8s_seg \
--model_def ../yolov8s-seg.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 \
--add_postprocess yolov8_seg \
--test_input ../image/dog.jpg \
--test_result yolov8s_seg_top_outputs.npz \
--mlir yolov8s_seg.mlir
生成后的 yolov8s_seg.mlir 文件最后插入了若干命名为 yolo_seg_post* 的算子，用于执行后处理中的坐标变换、nms、矩阵乘等运算。
1%429 = "top.Sigmoid"(%428) {bias = 0.000000e+00 : f64, log = false, round_mode = "HalfAwayFromZero", scale = 1.000000e+00 : f64} : (tensor<8400x25600xf32>) -> tensor<8400x25600xf32> loc(#loc431)
2%430 = "top.Reshape"(%429) {flatten_start_dim = -1 : i64} : (tensor<8400x25600xf32>) -> tensor<8400x160x160xf32> loc(#loc432)
3%431 = "top.Slice"(%430, %0, %0, %0) {axes = [], ends = [100, 160, 160], hasparamConvert_axes = [], offset = [0, 0, 0], steps = [1, 1, 1]} : (tensor<8400x160x160xf32>, none, none, none) -> tensor<100x160x160xf32> loc(#loc433)
4%432 = "top.Slice"(%425, %0, %0, %0) {axes = [], ends = [100, 6], hasparamConvert_axes = [], offset = [0, 0], steps = [1, 1]} : (tensor<8400x38xf32>, none, none, none) -> tensor<100x6xf32> loc(#loc434)
5return %431, %432 : tensor<100x160x160xf32>, tensor<100x6xf32> loc(#loc)
模型的输出共有2个, 其中masks_uncrop_uncompare是原始的分割掩码，shape为 100x160x160, 其中100代表最大检测框数，160x160代表了最后一层特征图的像素大小。
seg_out是检测框，shape为 100x6,其中100代表最大检测框数，6分别指 [x_left, y_up, x_right, y_bottom, score, class_id]。目前暂不支持多batch的分割模型后处理添加，因此没有batch信息。
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：
[-74.06776, 263.67566, 74.06777, 531.1172, 0.9523437, 16.]
从原始掩码到最后的掩码输出，还需要将其进行resize运算，放大回原始图片大小；并根据seg_out中检测框对mask多余部分进行crop；
最后对掩码进行阈值过滤，得到全分辨率的掩码。以上的处理代码可参考该源码路径 {package/path/to/tpu_mlir}/python/samples/segment_yolo.py 中的流程。
9.2.3. MLIR转换成BModel
将mlir文件转换成F16的bmodel, 操作方法如下:
$ fp_forward.py yolov8s_seg.mlir \
--fpfwd_outputs yolo_seg_post_mulconst3 \
--chip bm1684x \
--fp_type F32 \
-o yolov8s_seg_qtable
$ model_deploy \
--mlir yolov8s_seg.mlir \
--quantize F16 \
--processor bm1684x \
--fuse_preprocess \
--quantize_table yolov8s_seg_qtable \
--model yolov8s_seg_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；还使用了yolov8s_seg_qtable，这是因为后处理中会对box施加偏移运算，将框图的坐标数值乘以一个大整数，F16的特性会导致涉及大整数的运算存在偏差，
最终会导致产生过多的mask，影响后处理性能，因此需要将这一部分算子使用F32混合精度进行运算。
9.2.4. 模型验证
在本发布包中有用python写好的yolov8s_seg用例, 使用 segment_yolo 命令, 用于对图片进行分割。
该命令对应源码路径 {package/path/to/tpu_mlir}/python/samples/segment_yolo.py。
阅读该代码可以了解最终输出结果；并且如何产生分割掩膜和框图。
命令执行如下:
$ segment_yolo \
--input ../image/dog.jpg \
--model yolov8s_seg_1684x_f16.bmodel \
--net_input_dims 640,640 \
--fuse_preprocess \
--fuse_postprocess \
--output dog_out.jpg