YOLOv7
在 5 FPS 到 160 FPS 范围内的速度和准确度都超过了所有已知的目标检测器,并且在 GPU V100 上 30 FPS 或更高的所有已知实时目标检测器中,具有最高的准确度 56.8% AP。
YOLOv7-E6
(56 FPS V100,55.9% AP)比基于Transformer
的检测器 SWIN-L Cascade-Mask R-CNN
(9.2 FPS A100,53.9% AP)的速度和准确度分别高出 509% 和 2%,并且比基于卷积的检测器 ConvNeXt-XL Cascade-Mask R-CNN
(8.6 FPS A100, 55.2% AP) 速度提高 551%,准确率提高 0.7%,以及 YOLOv7
的表现还优于:YOLOR
、YOLOX
、Scaled-YOLOv4
、yolov7
、 DETR
、Deformable DETR
、DINO-7cale-R50
、ViT-Adapter-B
和许多其他速度和准确度的目标检测算法。此外,YOLOv7
基于 MS COCO
数据集上从零开始训练 ,未使用任何其他数据集或预训练的权重。
本例程对yolov7官方开源仓库v0.1版本的模型喝算法进行移植,使之能在SOPHON BM1684上进行推理测试。
- 支持BM1684X(x86 PCIe、SoC)和BM1684(x86 PCIe、SoC、arm PCIe)
- 支持FP32、FP16(BM1684X)、INT8模型编译和推理
- 支持基于BMCV预处理的C++推理
- 支持基于OpenCV和BMCV预处理的Python推理
- 支持单batch和多batch模型推理
- 支持1个输出和3个输出模型推理
- 支持图片和视频测试
如果您使用BM1684芯片,建议使用TPU-NNTC编译BModel,Pytorch模型在编译前要导出成torchscript模型或onnx模型;如果您使用BM1684X芯片,建议使用TPU-MLIR编译BModel,Pytorch模型在编译前要导出成onnx模型具体可参考YOLOv7模型导出。
同时,您需要准备用于测试的数据,如果量化模型,还要准备用于量化的数据集。
本例程在scripts
目录下提供了相关模型和数据集的下载脚本download.sh
,您也可以自己准备模型和数据集,并参考4. 模型编译进行模型转换。
# 安装unzip,若已安装请跳过
sudo apt install unzip
chmod -R +x scripts/
./scripts/download.sh
下载的模型包括:
下载的数据包括:
./datasets
├── test # 测试图片
├── test_car_person_1080P.mp4 # 测试视频
├── coco.names # coco类别名文件
├── coco128 # coco128数据集,用于模型量化
└── coco
├── val2017_1000 # coco val2017数据集
└── instances_val2017_1000.json # coco val2017数据集标签文件,用于计算精度评价指标
模型信息:
模型名称 | yolov7.pt |
---|---|
训练集 | MS COCO |
概述 | 80类通用目标检测 |
输入数据 | images, [batch_size, 3, 640, 640], FP32,NCHW,RGB planar |
输出数据 | [batch_size, 3, 80, 80, 85], FP32 [batch_size, 3, 40, 40, 85], FP32 [batch_size, 3, 20, 20, 85], FP32 |
其他信息 | YOLO_ANCHORS: [12,16, 19,36, 40,28, 36,75, 76,55, 72,146, 142,110, 192,243, 459,401] |
前处理 | BGR->RGB、/255.0 |
后处理 | nms等 |
trace后的pytorch模型需要编译成BModel才能在SOPHON TPU上运行,如果使用下载好的BModel可跳过本节。如果您使用BM1684芯片,建议使用TPU-NNTC编译BModel。
模型编译前需要安装TPU-NNTC,具体方法可参考《TPU-NNTC开发参考手册》。安装好后需在TPU-NNTC环境中进入例程目录。
- 生成FP32 BModel
使用TPU-NNTC将trace后的torchscript模型编译为FP32 BModel,具体方法可参考《TPU-NNTC开发参考手册》的“BMNETP 使用”(请从算能官网相应版本的SDK中获取)。
本例程在scripts
目录下提供了编译FP32 BModel的脚本。请注意修改gen_fp32bmodel_nntc.sh
中的torchscript模型路径、生成模型目录和输入大小shapes等参数,并在执行时指定BModel运行的目标平台(支持BM1684),如:
./scripts/gen_fp32bmodel_nntc.sh BM1684
执行上述命令会在models/BM1684/
下生成yolov7s_v0.1_3output_fp32_1b.bmodel
文件,即转换好的FP32 BModel。
- 生成INT8 BModel
使用TPU-NNTC量化torchscript模型的方法可参考《TPU-NNTC开发参考手册》的“模型量化”(请从算能官网相应版本的SDK中获取),以及模型量化注意事项。
本例程在scripts
目录下提供了TPU-NNTC量化INT8 BModel的脚本,请注意修改gen_int8bmodel_nntc.sh
中的torchscript模型路径、生成模型目录和输入大小shapes等参数,在执行时输入BModel的目标平台,如:
./scripts/gen_int8bmodel_nntc.sh BM1684
上述脚本会在models/BM1684
下生成yolov7_v0.1_3output_int8_1b.bmodel
等文件,即转换好的INT8 BModel。
YOLOv7模型量化建议(也可参考官方量化手册指导):
- 制作lmdb量化数据集时,通过convert_imageset.py完成数据的预处理;
- 尝试不同的iterations进行量化可能得到较明显的精度提升;
- 最后一层conv到输出之间层之间设置为fp32,可能得到较明显的精度提升;
- 尝试采用不同优化策略,比如:图优化、卷积优化,可能会得到较明显精度提升。
- 尝试从模型的最后一层开始,将从后往前的模型层设置为fp32,可能得到较明显的精度提升;
首先,参考C++例程或Python例程推理要测试的数据集,生成预测的json文件,注意修改数据集(datasets/coco/val2017)和相关参数(conf_thresh=0.001、nms_thresh=0.65)。
然后,使用tools
目录下的eval_coco.py
脚本,将测试生成的json文件与测试集标签json文件进行对比,计算出目标检测的评价指标,命令如下:
# 安装pycocotools,若已安装请跳过
pip3 install pycocotools
# 请根据实际情况修改程序路径和json文件路径
python3 tools/eval_coco.py --gt_path datasets/coco/instances_val2017_1000.json --result_json results/yolov7_v0.1_3output_fp32_1b.bmodel_val2017_opencv_python_result.json
在coco2017val_1000数据集上,精度测试结果如下:
测试平台 | 测试程序 | 测试模型 | AP@IoU=0.5:0.95 | AP@IoU=0.5 |
---|---|---|---|---|
BM1684 PCIe | yolov7_opencv.py | yolov7_v0.1_3output_fp32_1b.bmodel | 0.514 | 0.699 |
BM1684 PCIe | yolov7_opencv.py | yolov7_v0.1_3output_int8_1b.bmodel | 0.505 | 0.696 |
BM1684 PCIe | yolov7_bmcv.py | yolov7_v0.1_3output_fp32_1b.bmodel | 0.500 | 0.682 |
BM1684 PCIe | yolov7_bmcv.py | yolov7_v0.1_3output_int8_1b.bmodel | 0.495 | 0.682 |
BM1684 PCIe | yolov7_bmcv.pcie | yolov7_v0.1_3output_fp32_1b.bmodel | 0.494 | 0.696 |
BM1684 PCIe | yolov7_bmcv.pcie | yolov7_v0.1_3output_int8_1b.bmodel | 0.487 | 0.691 |
BM1684X PCIe | yolov7_opencv.py | yolov7_v0.1_3output_fp32_1b.bmodel | 0.513 | 0.699 |
BM1684X PCIe | yolov7_opencv.py | yolov7_v0.1_3output_fp16_1b.bmodel | 0.507 | 0.695 |
BM1684X PCIe | yolov7_opencv.py | yolov7_v0.1_3output_int8_1b.bmodel | 0.508 | 0.696 |
BM1684X PCIe | yolov7_bmcv.py | yolov7_v0.1_3output_fp32_1b.bmodel | 0.498 | 0.683 |
BM1684X PCIe | yolov7_bmcv.py | yolov7_v0.1_3output_fp16_1b.bmodel | 0.498 | 0.683 |
BM1684X PCIe | yolov7_bmcv.py | yolov7_v0.1_3output_int8_1b.bmodel | 0.493 | 0.681 |
BM1684X PCIe | yolov7_bmcv.pcie | yolov7_v0.1_3output_fp32_1b.bmodel | 0.493 | 0.697 |
BM1684X PCIe | yolov7_bmcv.pcie | yolov7_v0.1_3output_fp16_1b.bmodel | 0.492 | 0.697 |
BM1684X PCIe | yolov7_bmcv.pcie | yolov7_v0.1_3output_int8_1b.bmodel | 0.486 | 0.693 |
测试说明:
- batch_size=4和batch_size=1的模型精度一致;
- SoC和PCIe的模型精度一致;
- AP@IoU=0.5:0.95为area=all对应的指标。
使用bmrt_test测试模型的理论性能:
# 请根据实际情况修改要测试的bmodel路径
bmrt_test --bmodel models/BM1684/yolov7_v0.1_3output_fp32_1b.bmodel
测试结果中的calculate time
就是模型推理的时间,多batch size模型应当除以相应的batch size才是每张图片的理论推理时间。
测试各个模型的理论推理时间,结果如下:
测试模型 | calculate time(ms) |
---|---|
BM1684/yolov7_v0.1_3output_fp32_1b.bmodel | 0.083240 |
BM1684/yolov7_v0.1_3output_fp32_4b.bmodel | 0.082036 |
BM1684/yolov7_v0.1_3output_int8_1b.bmodel | 0.048883 |
BM1684/yolov7_v0.1_3output_int8_4b.bmodel | 0.077643 |
BM1684X/yolov7_v0.1_3output_fp32_1b.bmodel | 0.099467 |
BM1684X/yolov7_v0.1_3output_fp32_4b.bmodel | 0.09762575 |
BM1684X/yolov7_v0.1_3output_fp16_1b.bmodel | 0.023757 |
BM1684X/yolov7_v0.1_3output_fp16_4b.bmodel | 0.022555 |
BM1684X/yolov7_v0.1_3output_int8_1b.bmodel | 0.009990 |
BM1684X/yolov7_v0.1_3output_int8_4b.bmodel | 0.009547 |
测试说明:
- 性能测试结果具有一定的波动性;
calculate time
已折算为平均每张图片的推理时间。
参考C++例程或Python例程运行程序,并查看统计的解码时间、预处理时间、推理时间、后处理时间。C++例程打印的预处理时间、推理时间、后处理时间为整个batch处理的时间,需除以相应的batch size才是每张图片的处理时间。
在不同的测试平台上,使用不同的例程、模型测试datasets/coco/val2017_1000
,conf_thresh=0.5,nms_thresh=0.5,性能测试结果如下:
测试平台 | 测试程序 | 测试模型 | decode_time | preprocess_time | inference_time | postprocess_time |
---|---|---|---|---|---|---|
BM1684 SoC | yolov7_opencv.py | yolov7_v0.1_3output_fp32_1b.bmodel | 17.83 | 27.82 | 93.98 | 143.98 |
BM1684 SoC | yolov7_opencv.py | yolov7_v0.1_3output_int8_1b.bmodel | 16.25 | 23.83 | 70.83 | 143.22 |
BM1684 SoC | yolov7_opencv.py | yolov7_v0.1_3output_int8_4b.bmodel | 14.61 | 25.09 | 41.18 | 148.22 |
BM1684 SoC | yolov7_bmcv.py | yolov7_v0.1_3output_fp32_1b.bmodel | 3.00 | 2.97 | 88.86 | 139.85 |
BM1684 SoC | yolov7_bmcv.py | yolov7_v0.1_3output_int8_1b.bmodel | 3.00 | 2.58 | 54.85 | 147.21 |
BM1684 SoC | yolov7_bmcv.py | yolov7_v0.1_3output_int8_4b.bmodel | 2.82 | 2.41 | 24.49 | 150.83 |
BM1684 SoC | yolov7_bmcv.soc | yolov7_v0.1_3output_fp32_1b.bmodel | 14.242 | 1.920 | 82.888 | 20.474 |
BM1684 SoC | yolov7_bmcv.soc | yolov7_v0.1_3output_int8_1b.bmodel | 14.687 | 1.665 | 48.742 | 21.912 |
BM1684 SoC | yolov7_bmcv.soc | yolov7_v0.1_3output_int8_4b.bmodel | 14.469 | 1.586 | 19.301 | 21.536 |
BM1684X SoC | yolov7_opencv.py | yolov7_v0.1_3output_fp32_1b.bmodel | 15.02 | 26.60 | 142.46 | 135.93 |
BM1684X SoC | yolov7_opencv.py | yolov7_v0.1_3output_int8_1b.bmodel | 15.01 | 22.34 | 22.33 | 132.14 |
BM1684X SoC | yolov7_opencv.py | yolov7_v0.1_3output_fp16_1b.bmodel | 3.24 | 24.70 | 39.51 | 133.37 |
BM1684X SoC | yolov7_bmcv.py | yolov7_v0.1_3output_fp32_1b.bmodel | 2.57 | 2.28 | 114.90 | 133.67 |
BM1684X SoC | yolov7_bmcv.py | yolov7_v0.1_3output_int8_1b.bmodel | 2.55 | 2.20 | 19.00 | 133.27 |
BM1684X SoC | yolov7_bmcv.py | yolov7_v0.1_3output_fp16_1b.bmodel | 2.56 | 2.20 | 35.87 | 132.43 |
BM1684X SoC | yolov7_bmcv.soc | yolov7_v0.1_3output_fp32_1b.bmodel | 13.85 | 0.759 | 131.07 | 20.740 |
BM1684X SoC | yolov7_bmcv.soc | yolov7_v0.1_3output_int8_1b.bmodel | 13.91 | 0.759 | 12.55 | 20.785 |
BM1684X SoC | yolov7_bmcv.soc | yolov7_v0.1_3output_fp16_1b.bmodel | 13.86 | 0.757 | 29.40 | 20.749 |
测试说明:
- 时间单位均为毫秒(ms),统计的时间均为平均每张图片处理的时间;
- 性能测试结果具有一定的波动性,建议多次测试取平均值;
- BM1684/1684X SoC的主控CPU均为8核 ARM A53 42320 DMIPS @2.3GHz,PCIe上的性能由于CPU的不同可能存在较大差异;
- 图片分辨率对解码时间影响较大,推理结果对后处理时间影响较大,不同的测试图片可能存在较大差异。
请参考FAQ查看一些常见的问题与解答。