yolov5 网络结构和后处理结构

转自：https://www.163.com/dy/article/G07PMVPO0511ABV6.html

作者：gloomyfish

　　【新智元导读】本文从原始的三个输出层解析实现了boxes, classes, nms等关键C++代码输出，实现了纯OpenVINO+OpenCV版本的YOLOv5s模型推理的代码演示。下面是详细的系统环境与各个部分解释，以及代码实现与演示图像。

　　系统版本信息与依赖

　　

Window 10 64bit Pytorch1.7+CUDA10.0 Python3.8.5 VS2015 OpenVINO_2021.2.185

 

　　YOLOv5下载与测试运行

　　YOLOv5是第二个非官方的YOLO对象检测版本，也是第一个Pytorch实现的YOLO对象检测版本。Github地址如下：

　　https://github.com/ultralytics/yolov5

　　需要克隆到本地

　　git clone https://github.com/ultralytics/yolov5.git

　　然后运行

　　pip install -r requirements.txt

　　安装所有依赖。

　　最后运行一段视频或者图像完成测试

　　python detect.py --source D:\images\video\SungEun.avi --weights yolov5s.pt --conf 0.25

　　视频测试结果如下：

　　

　　图像测试结果如下：

　　

　　模型转换

　　模型转换主要是把原始的YOLOv5的pytorch模型文件转换为通用的开放模型格式ONNX与OpenVIN特有的文件格式IR(*.xml与*.bin)。

　　OpenVINO从2020R02以后版本开始支持直接读取ONNX格式文件，所以我们既可以通过脚本直接导出onnx格式文件，直接给OpenVINO调用，也可以对得到ONNX文件通过OpenVINO的模型转换脚本做进一步转换生成IR中间格式(*.bin文件与*.xml文件)。

　　导出ONNX格式文件的脚本

　　Pytorch的YOLOv5项目本身已经提供了转换脚本，命令行运行方式如下：

　　# export at 640x640 with batch size 1python models/export.py --weights yolov5s.pt --img 640 --batch 1

　　然后生成的yolov5s.onnx文件就在同一目录下面。

　　ONNX转为为IR中间格式

　　把ONNX转换为IR中间格式，运行结果如下：

　　

　　OpenVINO SDK+YOLOv5s代码演示

　　上面我们已经成功转换为YOLOv5s模型IR，现在就可以基于最新的SDK来说完成调用解析与调用。

　　第一步：

　　初始Core对象，读取模型（加载ONNX格式或者IR格式均可以，亲测有效）

　　// 创建IE插件, 查询支持硬件设备
Core ie;
vector availableDevices = ie.GetAvailableDevices();
for (int i = 0; i < availableDevices.size(); i++) {
printf("supported device name : %s \n", availableDevices[i].c_str());
}

　　// 加载检测模型
auto network = ie.ReadNetwork("D:/python/yolov5/yolov5s.xml", "D:/python/yolov5/yolov5s.bin");
// auto network = ie.ReadNetwork("D:/python/yolov5/yolov5s.onnx");

　　第二步：

　　设置输入与输出格式，YOLOv5s输入的图像被归一化到0~1之间，而且是RGB通道顺序，输入与输出格式设置数据为浮点数，这部分的代码如下：

　　// 设置输入格式
for (auto &item : input_info) {
auto input_data = item.second;
input_data->setPrecision(Precision::FP32);
input_data->setLayout(Layout::NCHW);
input_data->getPreProcess().setResizeAlgorithm(RESIZE_BILINEAR);
input_data->getPreProcess().setColorFormat(ColorFormat::RGB);
}

　　// 设置输出格式
for (auto &item : output_info) {
auto output_data = item.second;
output_data->setPrecision(Precision::FP32);
}
auto executable_network = ie.LoadNetwork(network, "CPU");

　　第三步：

　　设置输入图像数据并实现推理预测

　　int64 start = getTickCount();
/** Iterating over all input blobs **/
for (auto & item : input_info) {
auto input_name = item.first;

　　/** Getting input blob **/
auto input = infer_request.GetBlob(input_name);
size_t num_channels = input->getTensorDesc().getDims()[1];
size_t h = input->getTensorDesc().getDims()[2];
size_t w = input->getTensorDesc().getDims()[3];
size_t image_size = h*w;
Mat blob_image;
resize(src, blob_image, Size(w, h));
cvtColor(blob_image, blob_image, COLOR_BGR2RGB);

　　// NCHW
float* data = static_cast(input->buffer());
for (size_t row = 0; row < h; row++) {
for (size_t col = 0; col < w; col++) {
for (size_t ch = 0; ch < num_channels; ch++) {
data[image_size*ch + row*w + col] = float(blob_image.at(row, col)[ch])/255.0;
}
}
}
}

　　// 执行预测
infer_request.Infer();

　　上面的代码跟SSD对象检测的OpenVINO调用基本上没有太大区别。主要的区别是在对推理完成结果的解析部分。

　　第四步：

　　解析输出结果，实现显示输出。要完成这个部分，首先需要看一下YOLOv5项目中的yolo.py中对推理部分的组装。

　　首先输出层，从YOLOv3开始到YOLOv5，输出层都是3层，分别对应的降采样的倍数是32、16、8。

　　

　　以输入640x640大小的图像为例，得到三个输出层大小应该分别是20、40、80。每个层上对应三个尺度的anchor，表示如下：

　　

　　模型的预测是在20x20、40x40、80x80每个输出层的每个特征点上预测三个框，每个框预测分类！

　　每个框的维度大小为 cx,cy,w,h,conf + number of class， 图示如下：

　　

　　以YOLOv5项目的预训练模型是基于COCO的80个对象类别为例，在检测阶段最终三个输出层是：

　　1x3x20x20x851x3x40x40x851x3x80x80x85

　　电脑上实际加载模型之后的三个输出层实现运行结果：

　　

　　然后循环每个输出层，解析每个特征点对应的3个框与相关数据。

　　由于在导出的时候ONNX格式文件时模型的推理得到的三个输出层原始结果，所以还需要对每个数据先完成sigmoid归一化，然后再计算相关值，这部分的代码实现我参考了项目中的yolo.py中的Detection部分，得到初始每个对象的检测框之后，采用OpenVINO中自带非最大抑制函数，完成非最大抑制，就得到了最终的预测框，然后绘制显示。

　　所以最终的解析输出层部分的代码如下：

　　for (int i = 0; i < side_square; ++i) {
for (int c = 0; c < out_c; c++) {
int row = i / side_h;
int col = i % side_h;
int object_index = c*side_data_square + row*side_data_w + col*side_data;

　　// 阈值过滤
float conf = sigmoid_function(output_blob[object_index + 4]);
if (conf < 0.25) {
continue;
}

　　// 解析cx, cy, width, height
float x = (sigmoid_function(output_blob[object_index]) * 2 - 0.5 + col)*stride;
float y = (sigmoid_function(output_blob[object_index + 1]) * 2 - 0.5 + row)*stride;
float w = pow(sigmoid_function(output_blob[object_index + 2]) * 2, 2)*anchors[anchor_index + c * 2];
float h = pow(sigmoid_function(output_blob[object_index + 3]) * 2, 2)*anchors[anchor_index + c * 2 + 1];
float max_prob = -1;
int class_index = -1;

　　// 解析类别
for (int d = 5; d < 85; d++) {
float prob = sigmoid_function(output_blob[object_index + d]);
if (prob > max_prob) {
max_prob = prob;
class_index = d - 5;
}
}

　　// 转换为top-left, bottom-right坐标
int x1 = saturate_cast((x - w / 2) * scale_x); // top left x
int y1 = saturate_cast((y - h / 2) * scale_y); // top left y
int x2 = saturate_cast((x + w / 2) * scale_x); // bottom right x
int y2 = saturate_cast((y + h / 2) * scale_y); // bottom right y

　　// 解析输出
classIds.push_back(class_index);
confidences.push_back((float)conf);
boxes.push_back(Rect(x1, y1, x2 - x1, y2 - y1));
// rectangle(src, Rect(x1, y1, x2 - x1, y2 - y1), Scalar(255, 0, 255), 2, 8, 0);
}
}

　　非最大抑制的代码如下：

　　vector indices;
NMSBoxes(boxes, confidences, 0.25, 0.5, indices);
for (size_t i = 0; i < indices.size(); ++i)
{
int idx = indices[i];
Rect box = boxes[idx];
rectangle(src, box, Scalar(140, 199, 0), 4, 8, 0);
}
float fps = getTickFrequency() / (getTickCount() - start);
float time = (getTickCount() - start) / getTickFrequency();

　　官方的两张测试图像，测试结果如下