mdz/pytorch/yolov5_seg

yolov5_seg

下载

✨ 一键下载开发流程中所需的各种文件，包括编译使用的量化校准集、运行时工程的依赖库，以及输入输出文件。

💡 推荐使用linux版下载脚本，其wget包含断网自动重连功能，不会出现下载文件遗漏情况。

windows

📌 第一次使用，请在C盘根目录下新建icraft_auth.txt，保存下载站账号密码，以换行符分隔

需要事先下载windows版本wget：

（若点击以下链接后未直接下载，请选择 1.20.3 版本下的对应系统链接进行下载）

x86系统wget下载 x64系统wget下载

使用时需要将wget.exe的路径作为命令行参数传入，注意不是exe的父文件夹目录，而是包含wget.exe的完整绝对路径：

不下载Deps：./download.ps1 "PATH_TO_WGET_EXE"

如果您是第一次使用我们的模型库，请下载包括工程依赖库的所有文件：./download.ps1 "PATH_TO_WGET_EXE" -d

💡 下载过程中可能因网络问题出现中断情况，需 自行重新运行 下载脚本。

linux

📌 第一次使用，请在/usr根目录下新建icraft_auth.txt，保存下载站账号密码，以换行符分隔

为确保文件格式正确，请在运行脚本前安装格式转换工具dos2unix，并执行格式转换命令：

sudo apt-get install dos2unix
dos2unix /usr/icraft_auth.txt
dos2unix ./download.sh

如果您是第一次使用我们的模型库，请下载包括工程依赖库的所有文件：./download.sh -d

如果之前已经在使用别的模型时下载过Deps依赖库，可以直接将其中的thirdparty部分复制到路径3_deploy/Deps，只需下载量化校准集和输入输出文件即可：./download.sh

🌟 Tips：

• 若想要直接获取原始weights和导出保存的模型，可分别前往 weights 和 fmodels 网页上根据框架及模型名寻找并下载。

0. 文件结构说明

AI部署模型需要以下几部分文件

• 0_yolov5_seg >模型原始工程，需要自行下载
• weights >存放原始权重，需要自行下载
• 1_scripts >若干脚本，用于保存Icraft编译器需要的模型、编译后仿真等功能
• 2_compile >Icraft编译器编译模型时所需要的文件
• 3_deploy >将Icraft编译器编译出的模型部署到硬件时需要的c++工程

1. python工程准备

1. 模型来源：

• code：https://github.com/ultralytics/yolov5.git
• branch：master
• commit_id：e4df1ec
• weights：https://github.com/ultralytics/yolov5/releases/download/v7.0/yolov5s-seg.pt

2. 保存模型

目的：将模型保存成可以被Icraft编译器编译的形态

1）根据模型来源中的地址：https://github.com/ultralytics/yolov5/releases/download/v7.0/yolov5s-seg.pt ，下载原始weights，存放于 /weights文件夹中

注意：

• 有时开源的weights url可能会变更。如果上述weights url失效，请根据原工程相应的branch以及commit版本寻找正确的下载链接
• 若上述weights url永久失效，请联系本模型库相关人员获取权限下载

2）根据模型来源中的地址，下载指定commit id版本的源代码，文件夹名称要设置为：0_yolov5_seg及0_ultralytics

# 在此模型根目录
mkdir 0_yolov5_seg
git clone -b master https://github.com/ultralytics/yolov5.git 0_yolov5_seg
cd 0_yolov5_seg
git checkout e4df1ec
mkdir 0_ultralytics
git clone -b main https://github.com/ultralytics/ultralytics.git 0_ultralytics
cd 0_ultralytics
git checkout 437b430

3）进入1_scripts执行保存模型脚本

该目录下各个脚本中参数路径，均通过在各脚本代码最开始几行的全局变量控制。

由于1_scripts中脚本存在所使用的推理输入数据来自2_compile/qtset中，请先执行最开头的下载脚本，下载好量化校准集

# 在此模型根目录
cd 1_scripts
# 通过更改脚本中的L75~76行的INP_H和INP_W 导出不同数据流下需要的不同尺寸的模型
# psin(640x640)
# psin(512x960)
python 1_save.py

1_scripts提供脚本说明：

• 环境要求：Icraft编译器对导出框架模型时使用的框架版本有要求。即以下脚本中所有导出模型的脚本1_save.py ，必须在要求的框架版本下执行，其他脚本不限制。要求的版本：

  • pytorch：支持pytorch1.9.0、pytorch2.0.1两个版本的原生网络模型文件（.pt格式），以及pytorch框架保存为onnx（opset=17）格式的模型文件（.onnx格式）
  • paddle：仅支持PaddlePaddle框架保存为onnx（opset=11）格式的模型文件（.onnx格式），不支持框架原生网络模型文件
  • darknet：支持Darknet框架原生网络模型GitHub - pjreddie/darknet: Convolutional Neural Networks

• 0_infer.py >可以推理一张图并得到最终结果，模型原始权重会从 /weights 中寻找，需要您预先下载

• 1_save.py >保存模型，保存好的用于Icraft编译器的模型，会存放在 `/2_compile/fmodel

保存模型时的修改点：

1. 将网络模型输出只保留到卷积层，然后返回结果

def traced_Detect_forward(self, x):
z = []  # inference output
for i in range(self.nl):
  x[i] = self.m[i](x[i])  # conv
return x

Detect.forward = traced_Detect_forward

def traced_Segment_forward(self, x):
p = self.proto(x[0])
x = self.detect(self, x)
# return[x[0], x[1], x[2]]

return [x[0], x[1], x[2],p]
Segment.forward = traced_Segment_forward

通过更改INP_H = 640 INP_W = 640 为INP_H = 512 INP_W = 960 可以导出供plin编译和部署的模型文件

• 2_save_infer.py >用修改后保存的模型做前向推理，验证保存的模型与原模型是否一致

2.使用Icraft编译器编译模型

目的： 使用Icraft编译器将上一步保存好的框架模型转化为硬件可部署模型

• 1）相关命名说明：

  1）fmodel：frame model >用于Icraft编译器的框架模型

  2）imodel：icraft model >用Icraft编译器编译出的模型

  3）qtset：Quantitative Calibration Set >Icraft编译器所需的量化校准集

• 2）确认已安装正确的icraft版本

  检查方法：打开cmd运行：icraft --version

  若已正常安装则会显示当前icraft版本，例如：

  Icraft 版本:
   * 3.7.1
  
  CLI 版本:
  3.7.0.0-a90988f(2412231401)
  

• 3）执行编译：

  在 /2_compile目录下执行编译：

   icraft compile config/yolov5s_seg_8.toml
    # 若要部署plin工程则编译对应的plin模型
  icraft compile config/yolov5s_seg_8_plin.toml # plin 
  

  如果过程顺利，将得到 icraft model（以 `.json` （graph）`.raw`（param）的格式保存）
  
  其中包括编译各阶段产生的中间结果模型和最终用于片上部署的BY模型，直接被保存到:  3_deploy/modelzoo/yolov5_seg/imodel
  

3. 仿真

通过配置3_deploy/modelzoo/yolov5_seg/cfg/中yaml文件的sim字段为True实现模型仿真。

imodel:
   ...
   sim: true
   ...

4. 部署模型

部署环境检查

• 以root账户登录片上系统terminal（ssh或串口皆可），模型库默认的模型存放路径为以下目录，如果没有请预先创建：

/home/fmsh/ModelZoo/

• 检查板上环境是否正确：

  1. 查看环境变量，指令： icraft --version

     看打印信息是否如下：

     Icraft 版本:
     * v3.7.1
     
     CLI 版本:
     3.7.0.0-a90988f(2412231401)
     

  2. 若是，在任意目录下输入icraft-serve即可打开server

  3. 检查icraft和customop安装包版本是否为arm64

     # 检查icraft安装包版本
     dpkg -l | grep icraft
     # 检查customop安装包版本
     dpkg -l | grep customop
     

     如果依次显示如下信息，则安装版本正确：

     ii  icraft                         3.7.1                             arm64        This is Icraft for arm64
     ii  customop                       3.7.1                             arm64        This is Icraft CustomOp for arm64
     

  4. 如果环境配置有误，请参考Part 1_1 2.3.1 片上系统环境 编译环境准备进行部署环境配置。

  5. 根据此模型使用的硬算子，选择合适的位流，并在板上安装，所用硬算子及可选位流版本可参见本说明文档起始处的状态徽章，位流下载及安装说明请参考1/4) 其他下载资源。

c++ runtime:

目的：编译c/c++可执行程序，在AI硬件上执行模型前向推理

模型库以ubuntu操作系统为例：

1. 编译环境准备

   • os: ubuntu20.04
   • cmake>=3.10
   • compiler: aarch64-linux-gnu-g++/aarch64-linux-gnu-gcc 编译c++程序

   #在3.1所需的linux编译环境中
   <<<<<<< HEAD
   # 通过修改CMakeLists中的工程命名和对应的src cpp代码可以编译不同数据流的上板程序
   # 例如：修改CMakeLists使其编译pin工程
   # set(TARGET_NAME yolov5s_seg_plin) 
   # add_executable(${TARGET_NAME} src/${TARGET_NAME}.cpp)
   cd 3_deploy/modelzoo/yolov5_seg/build_arm
   cmake ..
   make -j 
   

2. 执行程序

   cd /home/fmsh/ModelZoo/modelzoo/yolov5_seg/build_arm
   chmod 777 *
   ./yolov5s_seg_psin ../cfg/yolov5s_seg_psin.yaml # psin
   ./yolov5s_seg_plin ../cfg/yolov5s_seg_plin.yaml # plin
   ./yolov5s_seg_plin_mt ../cfg/yolov5s_seg_plin.yaml # plin 多线程
   

   在io/output中查看结果

   注意若执行plin工程则需要在开发板上接摄像头，若需要显示则需要外接显示器，查看推理结果

5. 精度测试

由于精度测试需要遍历一个数据集中的所有图片，因此需要使用上位机作为主控操作系统（demo中是按windows作为上位机操作系统来做的），使用网口连接板子，运行时输入数据会通过上位机经由网口传到片上进行推理。

1. 环境准备

若已准备好环境请跳过此部分

1. 网口调试环境准备（如果已经准备好网口调试环境则看下一条）

1. 安装ssh

2. 查看或配置板子ip

   • 使用串口连接板子
   • vim /etc/rc.local
   • 查看或设置ip

   #!/bin/bash
   ifconfig eth0 192.168.125.171 netmask 255.255.255.0
   systemctl start sshd
   

3. 修改本地网络适配器配置

   参考配置

   • ipv4地址：192.168.125.2
   • 子网掩码：255.255.255.0
   • 默认网关：192.168.125.1
   • 连接速度与双工：100mbps全双工

4. 使用网口或串口进入板上系统打开server

   上位机：

   ssh root@192.168.125.171
   

   板上： 确保位于root账户下，执行：

   icraft-serve
   

   • 请确保在root账户下执行上述命令
   • 设备成功打开示意图

   root@U:~# icraft-serve
   [02/22/24 02:02:00.388] [I] Using port : 9981
   [02/22/24 02:02:00.388] [I] synchronous mode
   [02/22/24 02:02:00.388] [I] [irpc::port::tcp::_waitNewConn] wait for new connection
   

   如果能正确运行则可以继续下一步。

2.编译环境准备

请参考2.1Windows编译环境准备进行精度测试环境配置。

• os: windows

• cmake3.28

• visualstudio2022

2. 测试说明

1. 如果使用了DetPost硬算子（如果未使用则忽略此条）

   • 1）修改customop toml

     customop toml 即 config\customop\xxmodel.toml

     需要将该文件中的thr_f配置成0.001

     [ImageMake]
     no_imkpad = 0
     
     [DetPost]
     thr_f = 0.001 # 阈值
     cmp_en = 1  # 是否做阈值比较
     
     groups = 3
     anchor_num = 3
     position = 5
     
     

   • 2）重新进行模型编译

      icraft compile config/yolov5s_seg_8.toml
     

     由于测精度程序由上位机控制，生成的imodel不用再复制到板子中

2. 数据集准备

   • 测试数据集下载：coco2017val
   • 模型测试使用COCO2017数据集的Val部分，测试图片存放于 3_deploy\modelzoo\yolov5_seg\io\input及3_deploy\modelzoo\yolov5_seg\io\cocoval_2017.txt中
   • 如需测试其他数据集，需自行将图片存放于3_deploy\modelzoo\yolov5_seg\io\input,并准备对应的input.txt

3. 修改 运行时的yaml配置文件：

   运行时需要配置一些模型路径，输入数据，后处理参数等，其配置文件在3_deploy/modelzoo/yolov5_seg/cfg/

   测试时使用：yolov5s_seg_test.yaml

   需要修改：

   • imodel中参数：修改精度测试所用模型文件路径dir，根据所使用板子ip设置ip。
   • dataset中参数：更改自己的精度测试数据集路径。
   • param中参数：如果模型没有重训，则无需更改，若 重训则需要修改对应部分参数。

4. 编译、执行运行时程序

   cd 3_deploy/modelzoo/yolov5_seg
   mkdir build_win
   cd build_win
   cmake ..
   cmake --build . --config Release
   ./Release/yolov5s_seg_psin.exe ../cfg/yolov5s_seg_test.yaml
   

   注意：如果使用visualstudio打开sln进行调试，需要右键工程-属性-调试-环境中配置./Release/yolov5s_seg_psin.exe ../cfg/yolov5s_seg_test.yaml

5. 使用metrics测试脚本，将保存的测试结果计算出精度指标

• metrics测试脚本使用与配置说明：

  yoloseg_mAP · spiger/benchmark - 码云 - 开源中国 (gitee.com)

需要配置

    parser.add_argument('--txtDir', required=True, help='onboard txt results path')
    #txtDir即上述，res:精度测试结果保存路径

    parser.add_argument('--dtJson', required=True, help='txt save to json path')
    #txt转为json后文件的保存路径及json文件命名，会自动生成，但需要配置

6. 模型性能记录

YoloV5_seg	input shape	hard time	qt_strategy	精度
float	[1, 3, 640, 640]	-	-	box: ap50-95:0.376; mask: ap50-95:0.292
int8	[1, 3, 640, 640]	7.7881ms	kld-pc	box: ap50:0.550; ap50-95:0.349; mask: ap50:0.479; ap50-95:0.275
int16	[1, 3, 640, 640]	17.677ms	kld-pc	box: box:ap50:0.558; ap50-95:0.367; mask:ap50:0.489; ap50-95:0.282

注：float中mask精度信息为重测后结果