海思3559 yolov5模型转wk详细笔记_专栏

文章目录

前言
1.编译caffer
2.适应wk的yolov5模型训练
3.模型转换：pt->onnx->caffe->wk
总结

前言

目前项目需要在海思3559上开发，但查了相关文档，感觉还是比较复杂的。相比于3403、3519的使用atc工具直接从onnx->om，3559需要从onnx->caffer->wk则显得复杂许多，特此记录一下。
下面先给笔者自己在此过程中的架构与各架构的主要任务框图：

1.编译caffer

1.1安装虚拟机

笔者使用的是VM安装的Ubuntu18.04
这里关于安装虚拟机与换源等操作不再赘述，默认读者都已经准备完成了。

1.2安装caffer

安装依赖库

sudo apt-get update
sudo apt-get install libprotobuf-dev
sudo apt-get install libleveldb-dev
sudo apt-get install libsnappy-dev
sudo apt-get install libopencv-dev
sudo apt-get install libhdf5-serial-dev
sudo apt-get install protobuf-compiler
sudo apt-get install libgflags-dev
sudo apt-get install libgoogle-glog-dev
sudo apt-get install liblmdb-dev
sudo apt-get install libatlas-base-dev
sudo apt-get install --no-install-recommends libboost-all-dev

下载项目源码
由于笔者虚拟机上没梯子，就用zip包的方式下载源码。
下载caffer源码
https://github.com/BVLC/caffe/tags

下载caffe-plus工程
https://github.com/jnulzl/caffe_plus

将以上两份zip源码分别解压为caffer与caffe-plus。

添加upsample层和transpose层

将caffe_plus/include/caffe/layers/upsample_layer.hpp
caffe_plus/include/caffe/layers/permute_layer.hpp
复制到caffe/include/caffe/layers/
将caffe_plus/src/caffe/layers/upsample_layer.cpp
caffe_plus/src/caffe/layers/upsample_layer.cu
caffe_plus/src/caffe/layers/permute_layer.cpp
caffe_plus/src/caffe/layers/permute_layer.cu
复制到caffe/src/caffe/layers/

修改caffe.proto文件

gedit caffe/src/caffe/proto/caffe.proto
在optional WindowDataParameter window_data_param = 129;（约第407行）后增加代码：
optional PermuteParameter permute_param = 150;
optional UpsampleParameter upsample_param = 151;

在末尾增加代码：
message PermuteParameter {
// The new orders of the axes of data. Notice it should be with
// in the same range as the input data, and it starts from 0.
// Do not provide repeated order.
repeated uint32 order = 1;
}
message UpsampleParameter {
optional int32 height = 1 [default = 32];
optional int32 width = 2 [default = 32];
optional int32 height_scale = 3 [default = 2];
optional int32 width_scale = 4 [default = 2];
enum UpsampleOp {
NEAREST = 0;
BILINEAR = 1;
}
optional UpsampleOp mode = 5 [default = BILINEAR];
}

配置Makefike.config

//进入caffe目录
cd caffe
//备份配置文件
cp Makefike.config.example Makefike.config 
//打开配置文件
gedit Makefile.config

去掉CPU_ONLY前面的#号注释，使得CPU_ONLY := 1

找到INCLUDE_DIRS 其后面新增内容 /usr/include/hdf5/serial与/usr/include
找到LIBRARY_DIRS 其后面新增内容 /usr/lib/x86_64-linux-gnu/hdf5/serial与/usr/lib/x86_64-linux-gnu，删除/usr/local/lib
这里的新增/usr/include 、/usr/lib/x86_64-linux-gnu与删除/usr/local/lib为opencv的配置，需要根据自己的时间情况进行修改，保证能找到对应版本的opencv就行。

执行编译

make all
make test
make runtest

安装完成没有报错，全绿说明caffe安装成功，如果其中一项发生错误，make clean重新编译即可。

1.3编译python接口

Ubuntu18.04安装的是python2.7(python)与python3.6(python3),以下操作都是在python2.7下进行的。
先安装pip与fortran

sudo apt install python-pip
sudo apt-get install gfortran
pip install --upgrade pip==20.3.4

打开caffer/python/requirements.txt
将python-dateutil>=1.4,< 2
修改为
python-dateutil

逐行读取requirements.txt进行 pip install

pip install -r requirements.txt

由于需要进行onnx->caffe的操作，所以需要安装onnx包,这里推荐安装1.9.0版本

pip install onnx==1.9.0 -i https://pypi.tuna.tsinghua.edu.cn/simple

将caffe根目录下的python文件所在路径加入到全局环境变量

vim ~/.bashrc

在末尾添加一句：

export PYTHONPATH=/home/lh/data/3559/caffe/python:$PYTHONPATH

路径需根据自己的实际情况修改。

保存后，并使其生效：

source ~/.bashrc

打开caffer目录下的Makefile.config，找到文件中的PYTHON_INCLUDE

查看python2.7路径是否与实际一致，不一致则需要修改，笔者这里需要修改。

保存关闭后执行

make pycaffe

输出以下信息表示编译python接口成功：

PROTOC (python) src/caffe/proto/caffe.proto

验证python接口

python
import caffe

导入caffe模块不报错，则表示安装成功。

2.适应wk的yolov5模型训练

2.1下载yolov5-6.0项目源码

https://github.com/ultralytics/yolov5/tags

2.2安装yolov5-6.0运行环境

参考之前写的文章：https://www.ebaina.com/articles/140000017247

2.3修改模型

打开yolov5-6.0项目工程，将models目录下新建一个yolov5s_hs.yaml：

# YOLOv5 🚀 by Ultralytics, GPL-3.0 license
 
 # Parameters
 nc: 80  # number of classes
 depth_multiple: 0.33  # model depth multiple
 width_multiple: 0.50  # layer channel multiple
 anchors:
   - [10,13, 16,30, 33,23]  # P3/8
   - [30,61, 62,45, 59,119]  # P4/16
   - [116,90, 156,198, 373,326]  # P5/32
 
 # YOLOv5 v6.0 backbone
 backbone:
   # [from, number, module, args]
   [[-1, 1, Conv, [64, 6, 2, 2]],  # 0-P1/2
    [-1, 1, Conv, [128, 3, 2]],  # 1-P2/4
    [-1, 3, C3, [128]],
    [-1, 1, Conv, [256, 3, 2]],  # 3-P3/8
    [-1, 6, C3, [256]],
    [-1, 1, Conv, [512, 3, 2]],  # 5-P4/16
    [-1, 9, C3, [512]],
    [-1, 1, Conv, [1024, 3, 2]],  # 7-P5/32
    [-1, 3, C3, [1024]],
    [-1, 1, SPPF, [1024, 5]],  # 9
   ]
 
 # YOLOv5 v6.0 head
 head:
   [[-1, 1, Conv, [512, 1, 1]],
   # [-1, 1, nn.Upsample, [None, 2, 'nearest']],
    [ -1, -1, nn.ConvTranspose2d,[ 256, 256, 2, 2 ] ],
    [[-1, 6], 1, Concat, [1]],  # cat backbone P4
    [-1, 3, C3, [512, False]],  # 13
 
    [-1, 1, Conv, [256, 1, 1]],
    #[-1, 1, nn.Upsample, [None, 2, 'nearest']],
    [ -1, -1, nn.ConvTranspose2d,[ 128, 128, 2, 2 ] ],
    [[-1, 4], 1, Concat, [1]],  # cat backbone P3
    [-1, 3, C3, [256, False]],  # 17 (P3/8-small)
 
    [-1, 1, Conv, [256, 3, 2]],
    [[-1, 14], 1, Concat, [1]],  # cat head P4
    [-1, 3, C3, [512, False]],  # 20 (P4/16-medium)
 
    [-1, 1, Conv, [512, 3, 2]],
    [[-1, 10], 1, Concat, [1]],  # cat head P5
    [-1, 3, C3, [1024, False]],  # 23 (P5/32-large)
 
    [[17, 20, 23], 1, Detect, [nc, anchors]],  # Detect(P3, P4, P5)
   ]

这里主要是将上采样层换成了反卷积层，以适应HISI3559平台。

2.4修改数据集

打开yolov5-6.0项目工程，将data目录下新建一个hs.yaml:

# COCO 2017 dataset http://cocodataset.org
# Train command: python train.py --data coco.yaml
# Default dataset location is next to /yolov5:
#   /parent_folder
#     /coco
#     /yolov5


# download command/URL (optional)
# download: bash data/scripts/get_coco.sh

# train and val data as 1) directory: path/images/, 2) file: path/images.txt, or 3) list: [path1/images/, path2/images/]
train: /data/20220221_yolov5_train.txt  # 118287 images
val: /data/20210122_torchssd_test.txt  # 5000 images
# test: /data/devin/data/head_shoulder/yolo_data/20210122_torchssd_test.txt  # 20288 of 40670 images, submit to https://competitions.codalab.org/competitions/20794

# number of classes
nc: 2

# class names
names: [ 'person', 'car' ]

# Print classes
# with open('data/coco.yaml') as f:
#   d = yaml.load(f, Loader=yaml.FullLoader)  # dict
#   for i, x in enumerate(d['names']):
#     print(i, x)

这里根据自己的数据情况进行修改。

2.5修改模型算子

打开yolov5-6.0项目工程，将models目录下common.py中Conv类的激活函数SiLU->ReLU:
此处修改，是因为之前使用的海思的某款芯片对sigmoid激活函数支持不友好，推理很慢，留下了心理阴影，所以采用relu激活函数代替，有时间的同学，也可以不更改尝试一下。

2.6 模型训练

进入yolov5的anaconda环境并cd项目根目录，运行：

python3 train.py --data hs.yaml --cfg yolov5s_hs.yaml

会生成对应的pt模型。

3.模型转换：pt->onnx->caffe->wk

3.1 pt->onnx

训练好的模型在yolov5工程中的、/runs/train/exp/weights/目录下执行：

python3 export.py --data hs.yaml --weights runs/train/exp/weights/best.pt --batch 1 --img 640 640 --train --simplify --include onnx --opset 10

将会在runs/train/exp/weights目录下生成一个best.onnx文件。
这里需要注意一下，默认转出来的onnx,名称是是含有“.”这个特殊字符的，如果不修正，会在后续caffe->wk转换中出错。
因此需要修改下模型的输入输出的名称：

# -*- coding: UTF-8 -*- 
import onnx

# 加载模型文件
model = onnx.load("/home/work/yolov5-6.0/runs/train/exp/weights/best.onnx")

# 修改图输入张量名称中的点
for input in model.graph.input:
    input.name = input.name.replace('.', '_')

# 修改图输出张量名称中的点
for output in model.graph.output:
    output.name = output.name.replace('.', '_')

# 保存修改后的模型
onnx.save(model, "modified_model.onnx")
print("finish")