YOLOv4 NCNN 量化模型和实时推理
又搬来了大佬的啊 膜拜大佬
2021年5月7日，腾讯优图实验室正式推出了ncnn新版本，这一版本的贡献毫无疑问，又是对arm系列的端侧推理一大推动，先剖出nihui大佬博客上关于新版ncnn的优化点：继续保持优秀的接口稳定性和兼容性
-
API接口完全不变
-
量化校准table完全不变
-
int8模型量化流程完全不变（重点是这个！！！之前对tensorflow框架一直不感冒，很大一部分源于tensorflow每更新一次版本，就杀死一片上一版本的接口，可能上了2.0以后这种情况好了很多，不过依旧训练是torch用的更多）
ncnn int8量化工具(ncnn2table)新特性
-
支持 kl aciq easyquant 三种量化策略
-
支持多输入的模型量化
-
支持RGB/RGBA/BGR/BGRA/GRAY输入的模型量化
-
大幅改善多线程效率
-
离线进行(反量化-激活-量化)->(requantize)融合，实现端到端量化推理
二、新版ncnn的int8量化初探
趁着这股热风，赶紧试下新版ncnn量化版int8（更重要的原因是月底要中期答辩了，毕设还没搞完，赶紧跑跑大佬的库，顺带嫖一波）
2.1 安装编译ncnn
在跑库前先安装编译好需要的环境，安装和编译过程可以看另一条博客：https://zhuanlan.zhihu.com/p/368653551
2.2 yolov4-tiny量化int8
-
在量化前，先不要着急，我们先看看ncnn的wiki，看下量化前需要做什么工作：
https//github.com/Tencent/ncnn/wiki/quantized-int8-inference
wiki中：为了支持int8模型在移动设备上的部署，我们提供了通用的训练后量化工具，可以将float32模型转换为int8模型。
也就是说，在进行量化前，我们需要yolov4-tiny.bin和yolov4-tiny.param这两个权重文件，因为想快速测试int8版本的性能，这里就不把yolov4-tiny.weights转yolov4-tiny.bin和yolov4-tiny.param的步骤写出来了，大家上model.zoo去嫖下这两个opt文件
地址：https://github.com/nihui/ncnn-assets/tree/master/models
-
接着，按照步骤使用编译好的ncnn对两个模型进行优化：
./ncnnoptimize yolov4-tiny.param yolov4-tiny.bin yolov4-tiny-opt.param yolov4-tiny.bin 0如果是直接上model.zoo下的两个opt文件，可以跳过这一步。
-
下载校准表图像
先下载官方给出的1000张ImageNet图像，很多同学没有梯子，下载慢，可以用下这个链接：
https://download.csdn.net/download/weixin_45829462/18704213
这里给大家设置的是免费下载，如果后续被官方修改了下载积分，那就么得办法啦（好人的微笑.jpg）
ImageNet图像下载
-
制作校准表文件
linux下，切换到和images同个文件夹的根目录下，直接
find images/ -type f > imagelist.txtwindows下，打开Git Bash（没有的同学自行百度安装，这个工具是真的好用），切换到切换到和images同个文件夹的根目录下，也是直接上面的命令行： 大佬这里竟然是windows环境
生成图片名列表文件命令
生成所需的list.txt列表，格式如下：
图片名列表文件预览
接着继续输入命令：
./ncnn2table yolov4-tiny-opt.param yolov4-tiny-opt.bin imagelist.txt yolov4-tiny.table mean=[104,117,123] norm=[0.017,0.017,0.017] shape=[224,224,3] pixel=BGR thread=8 method=kl其中，上述所包含变量含义如下：
mean平均值和norm范数是你传递给Mat::substract_mean_normalize()的值，shape形状是模型的斑点形状
pixel是模型的像素格式，图像像素将在Extractor::input()之前转换为这种类型 thread线程是可用于并行推理的CPU线程数（这个要根据自己电脑或者板子的性能自己定义） 量化方法是训练后量化算法，目前支持kl和aciq
-
量化模型
./ncnn2int8 yolov4-tiny-opt.param yolov4-tiny-opt.bin yolov4-tiny-int8.param yolov4-tiny-int8.bin yolov4-tiny.table直接一步走，所有量化的工具在ncnn\build-vs2019\tools\quantize文件夹下
量化工具所在目录
找不到的读者请看下自己编译过程是不是有误，正常编译下是会有这些量化文件的运行成功后会生成两个int8的文件，分别是：
生成的量化模型
对比一下原来的两个opt模型，小了整整一倍!
三、新版ncnn的int8量化再探
量化出了int8模型仅仅是成功了一半，有模型但是内部参数全都错乱的情况也不是没见过。。。
-
调用int8模型进行推理
打开vs2019，建立新的工程，配置的步骤我在上一篇博客已经详细说过了，再狗头翻出来祭给大家：
https://zhuanlan.zhihu.com/p/368653551
大家直接去ncnn\example文件夹下copy一下yolov4.cpp的代码（一个字！嫖！）
这个没太看懂
int main(int argc, char** argv){cv::Mat frame;std::vectorcv::VideoCapture cap;ncnn::Net yolov4;const char* devicepath;int target_size = 0;int is_streaming = 0;if (argc < 2){fprintf(stderr, "Usage: %s [v4l input device or image]\n", argv[0]);return -1;}devicepath = argv[1];#ifdef NCNN_PROFILINGdouble t_load_start = ncnn::get_current_time();#endifint ret = init_yolov4(&yolov4, &target_size); //We load model and param first!if (ret != 0){fprintf(stderr, "Failed to load model or param, error %d", ret);return -1;}#ifdef NCNN_PROFILINGdouble t_load_end = ncnn::get_current_time();fprintf(stdout, "NCNN Init time %.02lfms\n", t_load_end - t_load_start);#endifif (strstr(devicepath, "/dev/video") == NULL){frame = cv::imread(argv[1], 1);if (frame.empty()){fprintf(stderr, "Failed to read image %s.\n", argv[1]);return -1;}}else{cap.open(devicepath);if (!cap.isOpened()){fprintf(stderr, "Failed to open %s", devicepath);return -1;}cap >> frame;if (frame.empty()){fprintf(stderr, "Failed to read from device %s.\n", devicepath);return -1;}is_streaming = 1;}while (1){if (is_streaming){#ifdef NCNN_PROFILINGdouble t_capture_start = ncnn::get_current_time();#endifcap >> frame;#ifdef NCNN_PROFILINGdouble t_capture_end = ncnn::get_current_time();fprintf(stdout, "NCNN OpenCV capture time %.02lfms\n", t_capture_end - t_capture_start);#endifif (frame.empty()){fprintf(stderr, "OpenCV Failed to Capture from device %s\n", devicepath);return -1;}}#ifdef NCNN_PROFILINGdouble t_detect_start = ncnn::get_current_time();#endifdetect_yolov4(frame, objects, target_size, &yolov4); //Create an extractor and run detection#ifdef NCNN_PROFILINGdouble t_detect_end = ncnn::get_current_time();fprintf(stdout, "NCNN detection time %.02lfms\n", t_detect_end - t_detect_start);#endif#ifdef NCNN_PROFILINGdouble t_draw_start = ncnn::get_current_time();#endifdraw_objects(frame, objects, is_streaming); //Draw detection results on opencv image#ifdef NCNN_PROFILINGdouble t_draw_end = ncnn::get_current_time();fprintf(stdout, "NCNN OpenCV draw result time %.02lfms\n", t_draw_end - t_draw_start);#endifif (!is_streaming){ //If it is a still image, exit!return 0;}}return 0;}
因为没看明白~~所以重新写了一个main函数，调用大佬写的那几个function：
int main(int argc, char** argv){cv::Mat frame;std::vectorcv::VideoCapture cap;ncnn::Net yolov4;const char* devicepath;int target_size = 160;int is_streaming = 0;/*const char* imagepath = "E:/ncnn/yolov5/person.jpg";cv::Mat m = cv::imread(imagepath, 1);if (m.empty()){fprintf(stderr, "cv::imread %s failed\n", imagepath);return -1;}double start = GetTickCount();std::vectordetect_yolov5(m, objects);double end = GetTickCount();fprintf(stderr, "cost time: %.5f\n ms", (end - start)/1000);draw_objects(m, objects);*/int ret = init_yolov4(&yolov4, &target_size); //We load model and param first!if (ret != 0){fprintf(stderr, "Failed to load model or param, error %d", ret);return -1;}cv::VideoCapture capture;capture.open(0); //修改这个参数可以选择打开想要用的摄像头//cv::Mat frame;while (true){capture >> frame;cv::Mat m = frame;double start = GetTickCount();std::vectordetect_yolov4(frame, objects, 160, &yolov4);double end = GetTickCount();fprintf(stderr, "cost time: %.5f ms \n", (end - start));// imshow("外接摄像头", m); //remember, imshow() needs a window name for its first parameterdraw_objects(m, objects, 8);if (cv::waitKey(30) >= 0)break;}return 0;}
还有几点注意，大家在进行推理的时候
把fp16禁掉，不用了
换成int8推理
把线程改成你之前制作int8模型的那个线程
模型也替换掉
具体如下： 
代码需要修改的几点
走到这里，就可以愉快的推理了
推理效果展示
四、总结
说一下电脑配置，神处理器InterCorei5-4210M，都是相对过时的老机器了，买了6年，性能也在下降。
跑库过程全程用cpu，为什么不用gpu？（问的好，2g显存老古董跑起来怕电脑炸了）
对比之前的fp16模型，明显在input_size相同的情况下快了40%-70%，且精度几乎没有什么损耗
总结来说，新版ncnn的int8量化推理确实是硬货，后续会尝试更多模型的int8推理，做对比实验给各位网友看
所有的文件和修改后的代码放在这个仓库里，欢迎大家白嫖：https://github.com/pengtougu/ncnn-yolov4-int8
感兴趣的朋友可以git clone下载跑跑，即下即用（前提要安装好ncnn）
whaosoft aiot http://143ai.com
上一篇：军人作风三个字的词
下一篇：大话西游里的经典台词