Skip to content

Latest commit

 

History

History
executable file
·
221 lines (181 loc) · 12.8 KB

README.md

File metadata and controls

executable file
·
221 lines (181 loc) · 12.8 KB

YOLOv8

目录

1. 简介

​YOLOv8是YOLO系列的的一个重大更新版本，它抛弃了以往的YOLO系类模型使用的Anchor-Base，采用了Anchor-Free的思想。YOLOv8建立在YOLO系列成功的基础上，通过对网络结构的改造，进一步提升其性能和灵活性。本例程对​YOLOv8官方开源仓库的模型和算法进行移植，使之能在SOPHON BM1684和BM1684X上进行推理测试。

2. 特性

  • 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个输出模型推理
  • 支持图片和视频测试

3. 准备模型与数据

建议使用TPU-MLIR编译BModel，在使用TPU-MLIR编译前需要导出ONNX模型。具体可参考YOLOv8模型导出。

​同时，您需要准备用于测试的数据集，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，非ubuntu系统视情况使用yum或其他方式安装
sudo apt install unzip
chmod -R +x scripts/
./scripts/download.sh

执行后，模型保存至models/，测试数据集下载并解压至datasets/test/，精度测试数据集下载并解压至datasets/coco/val2017_1000/，量化数据集下载并解压至datasets/coco128/

下载的模型包括：
./models
├── BM1684
│   ├── yolov8s_fp32_1b.bmodel   # 使用TPU-MLIR编译，用于BM1684的FP32 BModel，batch_size=1
│   ├── yolov8s_int8_1b.bmodel   # 使用TPU-MLIR编译，用于BM1684的INT8 BModel，batch_size=1
│   └── yolov8s_int8_4b.bmodel   # 使用TPU-MLIR编译，用于BM1684的INT8 BModel，batch_size=4
├── BM1684X
│   ├── yolov8s_fp32_1b.bmodel   # 使用TPU-MLIR编译，用于BM1684X的FP32 BModel，batch_size=1
│   ├── yolov8s_fp16_1b.bmodel   # 使用TPU-MLIR编译，用于BM1684X的FP16 BModel，batch_size=1
│   ├── yolov8s_int8_1b.bmodel   # 使用TPU-MLIR编译，用于BM1684X的INT8 BModel，batch_size=1
│   └── yolov8s_int8_4b.bmodel   # 使用TPU-MLIR编译，用于BM1684X的INT8 BModel，batch_size=4
│── torch
│   └── yolov8s.torchscript.pt   # trace后的torchscript模型
└── onnx
    ├── yolov8s_1b.onnx      # 导出的静态onnx模型，batch_size=1
    ├── yolov8s_4b.onnx      # 导出的静态onnx模型，batch_size=4
    └── yolov8s_qtable       # TPU-MLIR编译时，用于BM1684X的INT8 BModel混合精度量化

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_1000数据集：coco val2017中随机抽取的1000张样本
    └── instances_val2017_1000.json                # coco val2017_1000数据集关键点标签文件，用于计算精度评价指标

4. 模型编译

导出的模型需要编译成BModel才能在SOPHON TPU上运行，如果使用下载好的BModel可跳过本节。建议使用TPU-MLIR编译BModel。

模型编译前需要安装TPU-MLIR，具体可参考TPU-MLIR环境搭建。安装好后需在TPU-MLIR环境中进入例程目录。使用TPU-MLIR将onnx模型编译为BModel，具体方法可参考《TPU-MLIR快速入门手册》的“3. 编译ONNX模型”(请从算能官网相应版本的SDK中获取)。

  • 生成FP32 BModel

​本例程在scripts目录下提供了TPU-MLIR编译FP32 BModel的脚本，请注意修改gen_fp32bmodel_mlir.sh中的onnx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/BM1684X），如：

./scripts/gen_fp32bmodel_mlir.sh bm1684
#or
./scripts/gen_fp32bmodel_mlir.sh bm1684x

​执行上述命令会在models/BM1684或models/BM1684X/下生成yolov8s_fp32_1b.bmodel文件，即转换好的FP32 BModel。

  • 生成FP16 BModel

​本例程在scripts目录下提供了TPU-MLIR编译FP16 BModel的脚本，请注意修改gen_fp16bmodel_mlir.sh中的onnx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BM1684X），如：

./scripts/gen_fp16bmodel_mlir.sh bm1684x

​执行上述命令会在models/BM1684X/下生成yolov8s_fp16_1b.bmodel文件，即转换好的FP16 BModel。

  • 生成INT8 BModel

​本例程在scripts目录下提供了量化INT8 BModel的脚本，请注意修改gen_int8bmodel_mlir.sh中的onnx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（支持BM1684/BM1684X），如：

./scripts/gen_int8bmodel_mlir.sh bm1684
#or
./scripts/gen_int8bmodel_mlir.sh bm1684x

​执行上述命令会在models/BM1684或models/BM1684X/下生成yolov8s_int8_1b.bmodel等文件，即转换好的INT8 BModel。

5. 例程测试

6. 精度测试

6.1 测试方法

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_1000)和相关参数(conf_thresh=0.001、nms_thresh=0.7)。
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/yolov8s_fp32_1b.bmodel_val2017_1000_opencv_python_result.json

6.2 测试结果

在coco2017 val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 yolov8_opencv.py yolov8s_fp32_1b.bmodel 0.448 0.609
BM1684 PCIe yolov8_opencv.py yolov8s_int8_1b.bmodel 0.430 0.596
BM1684 PCIe yolov8_bmcv.py yolov8s_fp32_1b.bmodel 0.448 0.610
BM1684 PCIe yolov8_bmcv.py yolov8s_int8_1b.bmodel 0.429 0.596
BM1684 PCIe yolov8_bmcv.pcie yolov8s_fp32_1b.bmodel 0.448 0.609
BM1684 PCIe yolov8_bmcv.pcie yolov8s_int8_1b.bmodel 0.430 0.595
BM1684X PCIe yolov8_opencv.py yolov8s_fp32_1b.bmodel 0.448 0.609
BM1684X PCIe yolov8_opencv.py yolov8s_fp16_1b.bmodel 0.447 0.609
BM1684X PCIe yolov8_opencv.py yolov8s_int8_1b.bmodel 0.442 0.605
BM1684X PCIe yolov8_bmcv.py yolov8s_fp32_1b.bmodel 0.440 0.602
BM1684X PCIe yolov8_bmcv.py yolov8s_fp16_1b.bmodel 0.440 0.602
BM1684X PCIe yolov8_bmcv.py yolov8s_int8_1b.bmodel 0.432 0.594
BM1684X PCIe yolov8_bmcv.pcie yolov8s_fp32_1b.bmodel 0.448 0.610
BM1684X PCIe yolov8_bmcv.pcie yolov8s_fp16_1b.bmodel 0.447 0.609
BM1684X PCIe yolov8_bmcv.pcie yolov8s_int8_1b.bmodel 0.441 0.605

测试说明：

  1. batch_size=4和batch_size=1的模型精度一致；
  2. SoC和PCIe的模型精度一致；
  3. AP@IoU=0.5:0.95为area=all对应的指标。

7. 性能测试

7.1 bmrt_test

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路径和devid参数
bmrt_test --bmodel models/BM1684/yolov8s_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/yolov8s_fp32_1b.bmodel 27.4
BM1684/yolov8s_int8_1b.bmodel 17.3
BM1684/yolov8s_int8_4b.bmodel 8.4
BM1684X/yolov8s_fp32_1b.bmodel 28.9
BM1684X/yolov8s_fp16_1b.bmodel 6.3
BM1684X/yolov8s_int8_1b.bmodel 3.4
BM1684X/yolov8s_int8_4b.bmodel 3.2

测试说明：

  1. 性能测试结果具有一定的波动性；
  2. calculate time已折算为平均每张图片的推理时间；
  3. SoC和PCIe的测试结果基本一致。

7.2 程序运行性能

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/val2017_1000，conf_thresh=0.25，nms_thresh=0.7，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 yolov8_opencv.py yolov8s_fp32_1b.bmodel 15.90 23.54 31.30 5.50
BM1684 SoC yolov8_opencv.py yolov8s_int8_1b.bmodel 15.09 23.06 33.31 5.47
BM1684 SoC yolov8_opencv.py yolov8s_int8_4b.bmodel 15.18 25.36 25.39 5.59
BM1684 SoC yolov8_bmcv.py yolov8s_fp32_1b.bmodel 2.99 3.00 27.90 5.31
BM1684 SoC yolov8_bmcv.py yolov8s_int8_1b.bmodel 2.98 2.45 17.28 5.40
BM1684 SoC yolov8_bmcv.py yolov8s_int8_4b.bmodel 2.83 2.28 9.26 4.87
BM1684 SoC yolov8_bmcv.soc yolov8s_fp32_1b.bmodel 5.245 2.478 25.92 17.94
BM1684 SoC yolov8_bmcv.soc yolov8s_int8_1b.bmodel 4.982 1.680 15.10 17.58
BM1684 SoC yolov8_bmcv.soc yolov8s_int8_4b.bmodel 4.931 1.623 7.492 17.49
BM1684X SoC yolov8_opencv.py yolov8s_fp32_1b.bmodel 15.03 22.98 34.80 5.45
BM1684X SoC yolov8_opencv.py yolov8s_fp16_1b.bmodel 15.03 22.46 12.14 5.45
BM1684X SoC yolov8_opencv.py yolov8s_int8_1b.bmodel 14.99 22.40 9.18 5.37
BM1684X SoC yolov8_opencv.py yolov8s_int8_4b.bmodel 15.03 24.77 8.91 5.47
BM1684X SoC yolov8_bmcv.py yolov8s_fp32_1b.bmodel 3.0 2.2 31.0 5.4
BM1684X SoC yolov8_bmcv.py yolov8s_fp16_1b.bmodel 3.0 2.2 8.5 5.4
BM1684X SoC yolov8_bmcv.py yolov8s_int8_1b.bmodel 3.0 2.2 5.5 5.4
BM1684X SoC yolov8_bmcv.py yolov8s_int8_4b.bmodel 2.9 2.1 5.1 4.8
BM1684X SoC yolov8_bmcv.soc yolov8s_fp32_1b.bmodel 4.324 0.772 28.97 17.96
BM1684X SoC yolov8_bmcv.soc yolov8s_fp16_1b.bmodel 4.312 0.772 6.259 17.80
BM1684X SoC yolov8_bmcv.soc yolov8s_int8_1b.bmodel 4.276 0.772 3.350 17.95
BM1684X SoC yolov8_bmcv.soc yolov8s_int8_4b.bmodel 4.128 0.736 3.277 17.70

测试说明：

  1. 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；
  2. 性能测试结果具有一定的波动性，建议多次测试取平均值；
  3. 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；
  4. 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，不同的阈值对后处理时间影响较大。

8. FAQ

请参考FAQ查看一些常见的问题与解答。