全网最最最轻量级检测网络 yolo-fastest 快速上手

• Update: 2021/0816
  原作者已经更新了好多个版本，我这里给出我写这篇文章时候的版本：Github，里面有我的最精简版的模型结构和模型

• Update: 2021/05/19
  新增 yolo-fastest keras/tflite 模型推理代码，仅图片，仓库地址：yolo-fastest_inference

0x01 Yolo-Fastest

github：Yolo-Fastest 的中文快速上手教程，包括 mAP 计算、darknet 转 tflite 等

目前有个检测的任务，需要轻量级的检测网络，在 NanoDet 和 Yolo-Fastest 中最终选择了后者，

不过要将作者的网络做进一步删减，目标平台（ART-PI）的 FLOPS 要求不超过0.1B

将 yolo-fastest 搬到 artpi 开发板上，且搭载 rt-thread 系统的工具是 RT-AK ，即将开放内测资格，这条仅对嵌入式小伙伴公布

2020.10 之前 号称是全网最轻量级的目标检测网络，有多轻量级呢？请看下面数据：

↓

这是 VOC 数据上的

Network	Model Size	mAP(VOC 2017)	FLOPS
Tiny YOLOv2	60.5MB	57.1%	6.97BFlops
Tiny YOLOv3	33.4MB	58.4%	5.52BFlops
YOLO Nano	4.0MB	69.1%	4.51Bflops
MobileNetv2-SSD-Lite	13.8MB	68.6%	&Bflops
MobileNetV2-YOLOv3	11.52MB	70.20%	2.02Bflos
Pelee-SSD	21.68MB	70.09%	2.40Bflos
Yolo Fastest	1.3MB	61.02%	0.23Bflops
Yolo Fastest-XL	3.5MB	69.43%	0.70Bflops
MobileNetv2-Yolo-Lite	8.0MB	73.26%	1.80Bflops

这是 COCO 数据集上的

Network	COCO mAP(0.5)	Resolution	Run Time(Ncnn 1xCore)	Run Time(Ncnn 4xCore)	FLOPS	Params	Weight size
Yolo-Fastest	23.65	320X320	6.74ms	4.42ms	0.23BFlops	0.325M	1.3M
Yolo-Fastest-XL	32.45	320X320	15.15ms	7.09ms	0.70BFlops	0.875M	3.5M

这是 前段时间超级火的 NanoDet

Model	COCO mAP	Resolution	Latency(ARM 4xCore)	FLOPS	Params	Model Size(ncnn bin)
NanoDet-m	20.6	320*320	10.23ms	0.72B	0.95M	1.8mb
NanoDet-m	21.7	416*416	16.44ms	1.2B	0.95M	1.8mb
YoloV3-Tiny	16.6	416*416	37.6ms	5.62B	8.86M	33.7mb
YoloV4-Tiny	21.7	416*416	32.81ms	6.96B	6.06M	23.0mb

什么？没看懂？!

请详细关注下 FLOPS 和Params还有Model Size mAP 啊!!!

兄弟，要是还看不懂，emmm，

0x02 Prepare

由于该项目是基于 Darknet 训练和测试的，在开始之前需要先配置好 Darknet 环境

step1 clone

git clone https://github.com/dog-qiuqiu/Yolo-Fastest

step2 make

System: linux

windows 编译 darknet的请看这：How to compile on Windows

修改 Makefile， 且编译 make -j， 成功标志是出现 darknet 这个可执行文件

1. 财力充足：GPU

   GPU=1
   CUDNN=1
   CUDNN_HALF=1
   OPENCV=1
   ...
   # 我用的是 1080ti， 所以要把前面几行删除
   ARCH= -gencode arch=compute_52,code=[sm_52,compute_52] \
                  -gencode arch=compute_61,code=[sm_61,compute_61]
   
   ...
   ifeq ($(CUDNN), 1)
   COMMON+= -DCUDNN
   ifeq ($(OS),Darwin) #MAC
   CFLAGS+= -DCUDNN -I/usr/local/cuda/include
   LDFLAGS+= -L/usr/local/cuda/lib -lcudnn
   else
   # CFLAGS+= -DCUDNN -I/usr/local/cudnn/include
   # LDFLAGS+= -L/usr/local/cudnn/lib64 -lcudnn
   CFLAGS+= -DCUDNN -I/usr/local/cuda/include
   LDFLAGS+= -L/usr/local/cuda/lib64 -lcudnn
   endif
   endif
   

   在这个地方，可能会遇到一些问题。

   Makefile 文件中检索的CUDA 路径可能会遇到一些问题。

   我习惯了用 conda 来傻瓜式安装 tensorflow，但是这个时候，这个笨笨的 Makefile 竟然不会识别 conda 环境下的 CUDA 路径

   为了简单的快速上手，我选择了脱离 conda，在服务器上手动安装CUDA、cudnn，并且安装了一个 tensorflow-gpu， 所以上面需要更改 CUDNN 路径

   此时，顺利的话，执行 make -j 之后，就应该可以看到当前文件夹下出现一个 darknet 的可执行文件。

   Soft	Version
   CUDA	11.0.228
   CUDNN	cudnn-11.0-linux-x64-v8.0.5.39
   tensorflow-gpu	2.4.0

   ---

   当然，还有不顺利的情况，意外频频有，今年特别多。

   有一个问题我不记得了，出现的时候没有记录，问题的原因是找不到 nvcc

   解决方法：

   • 查看/usr/local/cuda/bin下是否有nvcc可执行程序
   • 添加环境变量，打开 ~/.bashrc ，添加环境变量 export PATH=$PATH:/usr/local/cuda/bin
   • 如果找不到，重新安装 sudo apt install nvidia-cuda-toolkit
   • 是否安装成功命令：nvcc --version

2. 囊中羞涩：CPU

   好了，上面的一些巨佬的一些配置通通跟咱们没有任何的关系。

   高兴的话，在 Makefile 的第4行，将 OPENCV=0 改成1，保不齐啥时候咱会用到 opencv 这个大杀器。一般我都会必装 opencv 的。

   执行：

   make -j
   

   在当前文件夹下面，生成了 darknet 可执行文件

step3 run darknet

图片检测验证：

bash image_yolov3.sh

# 等同于
./darknet detector  test ./data/coco.data  ./Yolo-Fastest/COCO/yolo-fastest.cfg  ./Yolo-Fastest/COCO/yolo-fastest.weights  data/person.jpg  -thresh 0.55

# 不显示图片，因为有时候在服务器上，不能显示图片，会报这个warning，有点看不顺眼
# Gtk-WARNING **: 17:42:47.783: cannot open display:
./darknet detector  test ./data/coco.data  ./Yolo-Fastest/COCO/yolo-fastest.cfg  ./Yolo-Fastest/COCO/yolo-fastest.weights  data/person.jpg  -thresh 0.55 -dont_show

# 神奇的命令
./darknet detector  test ./data/coco.data  ./Yolo-Fastest/COCO/yolo-fastest.cfg  ./Yolo-Fastest/COCO/yolo-fastest.weights   -thresh 0.55 -dont_show

视频检测验证：

# 这个时候就不能直接使用下面这个命令了 
# sh video_yolov3.sh
# 需要指定视频路径

./darknet detector  demo ./data/coco.data  ./Yolo-Fastest/COCO/yolo-fastest.cfg  ./Yolo-Fastest/COCO/yolo-fastest.weights /home/lebhoryi/RT-Thread/Detection_API/video/000.mp4 -thresh 0.55

0x03 Train

作者的建议是先获取训练好的权重文件，然后在此基础上做训练。嗯，按照作者的思路走，不会有坑

以训练单个person类别为例，VOC数据集

step1 获取权重文件

./darknet partial yolo-fastest.cfg yolo-fastest.weights yolo-fastest.conv.109 109

step2 准备数据集

# 该步骤来自：https://pjreddie.com/darknet/yolo/
# Training YOLO on VOC

# Get The Pascal VOC Data
wget https://pjreddie.com/media/files/VOCtrainval_11-May-2012.tar
wget https://pjreddie.com/media/files/VOCtrainval_06-Nov-2007.tar
wget https://pjreddie.com/media/files/VOCtest_06-Nov-2007.tar
tar xf VOCtrainval_11-May-2012.tar
tar xf VOCtrainval_06-Nov-2007.tar
tar xf VOCtest_06-Nov-2007.tar

# Generate Labels for VOC
# <object-class> <x> <y> <width> <height>
# 记得修改代码文件中对应的路径，由于要训练一个person类别，classes那里也需要做更改
# classes = ['person']
wget https://pjreddie.com/media/files/voc_label.py
python voc_label.py

ls
# 2007_test.txt   VOCdevkit
# 2007_train.txt  voc_label.py
# 2007_val.txt    VOCtest_06-Nov-2007.tar
# 2012_train.txt  VOCtrainval_06-Nov-2007.tar
# 2012_val.txt    VOCtrainval_11-May-2012.tar

cat 2007_train.txt 2007_val.txt 2012_*.txt > train.txt

step3 修改 data/voc.data 和 data/voc.names

classes= 1
train  = <path-to-voc>/train.txt
valid  = <path-to-voc>/2007_test.txt
names = data/voc.names
backup = backup   #  模型存储文件夹

将 data/voc.names 文件中的类别删除只剩下 person

step4 train

 ./darknet detector train voc.data ./Yolo-fastest/VOC/yolo-fastest.cfg yolo-fastest.conv.109 

训练好的模型文件将会保存在backup文件夹下面。

step5 mAP

# 我选择了最简单的，更多信息请戳下面链接
# https://github.com/MuhammadAsadJaved/darknet#how-to-calculate-map-on-pascalvoc-2007

# points 11 是VOC 数据集，101 是 MS COCO，0 是 ImageNet, PascalVOC 2010-2012, your custom dataset
./darknet detector map data/voc.data Yolo-Fastest/VOC/yolo-fastest.cfg Yolo-Fastest/VOC/yolo-fastest.weights -points 11

这个时候，就很奇怪，我测出来是 56.19 %，没有到作者说的61.02%，可能是数据集不对，我用 VOC2007 测得，作者上写的是 VOC2017

这个不重要，重要的是我成功获取了mAP这个指标。嗯，距离大佬又近了一步。

0x04 darknet 转 keras、tflite

既然看到了这里，差不多大家都可以获取到 darknet 训练好的模型

但是在下对 darknet 不熟啊，要搬到目标平台，还是 keras 和 tflite 更适合我

然后，认真的看了两圈作者的仓库，没有发现如何转 tensorflow 的教程，嗯，问题不大，因为我发现了这个：

NCNN 和 MNN，这些都吸引不了我，我一眼就相中了 TensorRT，正好手里有一块 Jetson nano，等下周挤出点时间折腾一下。

---

darknet 转 keras 、tflite 仓库：

david8862/keras-YOLOv3-model-set

step1 darknet 转 keras

git clone https://github.com/david8862/keras-YOLOv3-model-set
cd keras-YOLOv3-model-set
pip install -r requirement.txt

# -f 是固定输入，否则你会发现输入是 None×None×3
# -p 是将神经网络结构图保存为 <name>.png 
python tools/model_converter/convert.py <path-to-cfg>/yolo-fastest.cfg <path-to-weights>/yolo-fastest.weights weights/yolo-s.h5  -f -p

如果你训练的时候，输入是 weight×height×1，则需要改动：

...
print('Creating Keras model.')
if width and height and args.fixed_input_shape:
    # input_layer = Input(shape=(height, width, 3), name='image_input')
    input_layer = Input(shape=(height, width, 1), name='image_input')
else:
    # input_layer = Input(shape=(None, None, 3), name='image_input')
    input_layer = Input(shape=(None, None,1), name='image_input')
...

step2 keras 转 tflite

python tools/model_converter/custom_tflite_convert.py --keras_model_file ./weights/yolo-fastest.h5 --output_file ./weights/yolo-fastest.tflite

step3 keras 转 int8 量化的 tflite

python tools/model_converter/post_train_quant_convert.py --keras_model_file ./weights/yolo-fastest.h5 --annotation_file <path-to-voc>/2007_test.txt --model_input_shape 320x320 --sample_num 30 --output_file ./weights/yolo-fastest.tflite

如果你训练的时候，输入是 weight×height×1，则需要改动：

...
image = np.array([image], dtype=np.float32)
image = image[..., -1]
image = np.expand_dims(image, axis=-1)
yield [image]
...

0x05 魔改网络结构

Model	mAP(%)	Input	BFLOPS	Size	Inference	Data
yolo-fastest	56.19	320x320x3	0.238	613.6k	Failed	01/09
yolo-xl	44.51	320x320x1	0.096	224.1k	Failed	01/08
yolo-l	22.67	320x320x1	0.057	176.7k	787ms	01/12
yolo-s	28.41	160x160x1	0.012	146.5k		~~01/13 ~~

yolo-s 单类别检测（人）：21.58%，在 art-pi 上的推理时间是 50ms

推理时间是在 rt-thread 系统 + ART-PI 开发板下做的测试

Size 是量化后的 tflite 模型大小

---

i5-9400 yolo-fastest 的推理时间是 50ms，mAP 56.19%

i5-9400 yolo-xl 的推理时间是 19ms，mAP 44.51%

i5-9400 yolo-l 的推理时间是 10ms，mAP 22.67%

有一个问题，1080ti 服务器下的推理时间是150ms，不知道为啥

好了，下一步就是将yolo-fastest 请上jetson nano …

0x06 参考文献

• Yolo-Fastest/README.md

• darknet/README.md

• 解决nvcc找不到的问题

• yolo 官网