重写YOLOX的TensorRT版本部署代码

[附代码]重写YOLOX的TensorRT版本部署代码

本文首发于微信公众号【DeepDriving】，关注公众号后台回复关键字【YOLOX】可获取本文代码链接。

前言

YOLOX是前段时间旷视开源的一个目标检测算法，据说效果很好，这两天有空了就准备研究一下，看了论文感觉里面干货还是很多的，等后面再仔细研究研究。从论文放出的结果来看，YOLOX在速度和精度上应该是全面超过了之前的YOLO系列算法的。

比较良心的是，作者不仅开源了代码和模型，还放出了TensorRT、OpenVINO、NCNN等框架下的模型部署示例代码，可谓是工程人的福音。

看了TensorRT版本的C++部署示例代码，决定自己重新写一下，就当练手了。

实现过程

这里主要记录需要注意的事项和与官方示例代码不一样的地方。

1. 下载ONNX模型

ONNX模型可以从下面的链接页面中下载:

https://github.com/Megvii-BaseDetection/YOLOX/releases/

需要注意的是，我们需要下载0.1.1pre版本的权重，最新的代码中作者已经修改了图像预处理的方式，这会导致之前版本的ONNX模型权重与最新的代码不兼容，这是作者的说明：

2. TensorRT解析ONNX模型

YOLOX官方提供的TensorRT版本示例代码是先通过tools/trt.py脚本把ONNX模型解析再后序列化到model_trt.engine文件中，然后C++代码再从该文件中加载模型去进行推理。这里我们可以直接在C++代码中去解析ONNX模型，然后把它序列化到.engine文件中，TensorRT解析ONNX模型的方法可以参考英伟达官方提供的sampleOnnxMNIST例程。

if (!isFileExists(engine_path)) {
  std::cout << "The engine file " << engine_path
            << " has not been generated, try to generate..." << std::endl;
  engine_ = SerializeToEngineFile(model_path_, engine_path);
  std::cout << "Succeed to generate engine file: " << engine_path
            << std::endl;
} else {
  std::cout << "Use the exists engine file: " << engine_path << std::endl;
  engine_ = LoadFromEngineFile(engine_path);
}

这里首先判断ONNX模型对应的.engine文件是否存在，如果存在就直接从.engine文件中加载模型，否则就创建一个ONNX模型解析器去解析模型，然后把模型序列化到.engine文件中方便下次使用。

//把模型序列化到engine文件中
nvinfer1::IHostMemory *trtModelStream = engine->serialize();
std::stringstream gieModelStream;
gieModelStream.seekg(0, gieModelStream.beg);
gieModelStream.write(static_cast<const char *>(trtModelStream->data()),
                      trtModelStream->size());
std::ofstream outFile;
outFile.open(engine_path);
outFile << gieModelStream.rdbuf();
outFile.close();

3. 自动获取模型输入尺寸

官方示例代码中，默认模型的输入尺寸是640x640

static const int INPUT_W = 640;
static const int INPUT_H = 640;

但是如果模型的输入尺寸是416x416或者是长宽不等的512x416这种尺寸，那么就还需要改代码，感觉不是很方便。其实模型的输入输出维度都可以通过TensorRT提供的接口获取，这样就方便根据模型解析的结果自动获取输入尺寸，然后根据这个信息去对输入图像做resize了。

nvinfer1::Dims input_dim = engine_->getBindingDimensions(index);
int input_size = 1;
for (int j = 0; j < input_dim.nbDims; ++j) {
  input_size *= input_dim.d[j];
}

上面的代码中，input_dim.d为模型的输入尺寸，按照NCHW的顺序排列。

4. 图像预处理

官方示例代码中，预处理的时候是对图像做长宽等比例缩放，不足的地方再进行填充：

cv::Mat static_resize(cv::Mat& img) {
  float r = std::min(INPUT_W / (img.cols*1.0), INPUT_H / (img.rows*1.0));
  int unpad_w = r * img.cols;
  int unpad_h = r * img.rows;
  cv::Mat re(unpad_h, unpad_w, CV_8UC3);
  cv::resize(img, re, re.size());
  cv::Mat out(INPUT_H, INPUT_W, CV_8UC3, cv::Scalar(114, 114, 114));
  re.copyTo(out(cv::Rect(0, 0, re.cols, re.rows)));
  return out;
}

我就直接简单粗暴地resize了(不要学我)：

cv::Mat resize_image;
cv::resize(input_image, resize_image, cv::Size(model_width_, model_height_));

两种方法的对比：

5. 后处理

后处理是对模型推理的结果进行解析，YOLOX是anchor-free的目标检测算法，解析的时候相对要简单一些。与YOLOv3类似，YOLOX还是在3个尺度上去做检测，每一层特征图上的单元格只预测一个框,每个单元格输出的内容是x,y,w,h,objectness这5个内容再加上每个类别的概率。可以用Netron看一下模型后面几层的结构:

可以看到，如果模型输入尺寸为640x640，分别降采样8,16,32倍后得到的特征图尺寸分别为80x80,40x40,20x20，COCO数据集有80个类别那么每个特征图的单元格输出的数据长度为5+80=85，3个特征图上的结果最终会concat到一起进行输出，所以最终输出的数据维度为(80x80+40x40+20x20)x85=8400x85。

官方示例代码中用了好几个函数做后处理，感觉有点繁琐，于是我重写了这部分的代码：

const std::vector<int> strides = {8, 16, 32};
float *ptr = const_cast<float *>(output);
for (std::size_t i = 0; i < strides.size(); ++i) {
  const int stride = strides.at(i);
  const int grid_width = model_width_ / stride;
  const int grid_height = model_height_ / stride;
  const int grid_size = grid_width * grid_height;
  for (int j = 0; j < grid_size; ++j) {
    const int row = j / grid_width;
    const int col = j % grid_width;
    const int base_pos = j * (kNumClasses + 5);
    const int class_pos = base_pos + 5;
    const float objectness = ptr[base_pos + 4];
    const int label =
        std::max_element(ptr + class_pos, ptr + class_pos + kNumClasses) -
        (ptr + class_pos);
    const float confidence = (*(ptr + class_pos + label)) * objectness;
    if (confidence > confidence_thresh) {
      const float x = (ptr[base_pos + 0] + col) * stride / width_scale;
      const float y = (ptr[base_pos + 1] + row) * stride / height_scale;
      const float w = std::exp(ptr[base_pos + 2]) * stride / width_scale;
      const float h = std::exp(ptr[base_pos + 3]) * stride / height_scale;

      Object obj;
      obj.box.x = x - w * 0.5f;
      obj.box.y = y - h * 0.5f;
      obj.box.width = w;
      obj.box.height = h;
      obj.label = label;
      obj.confidence = confidence;
      objs->push_back(std::move(obj));
    }
  }
  ptr += grid_size * (kNumClasses + 5);
} 

这里有个小技巧：没有必要每个单元格都先去解析出x,y,w,h后再去看置信度是否大于阈值，而应该先判断置信度，如果置信度大于阈值再去解析x,y,w,h。这样做还是可以减少很多计算量的（在嵌入式平台上还是能省则省吧），毕竟一般几千个单元格的结果可能只有几十个是符合条件的。

最后我用Soft-NMS算法（不知道我写的对不对）做非极大值抑制去除重复的框。

结果

用yolox_s.onnx模型测试的几个结果:

在GeForce RTX 2080显卡上测试的的各个模型的耗时如下表所示（不是很精确）：

模型	输入尺寸	耗时
yolox_darknet.onnx	640x640	22 ms
yolox_l.onnx	640x640	21 ms
yolox_m.onnx	640x640	11 ms
yolox_s.onnx	640x640	7 ms
yolox_tiny.onnx	416x416	3 ms
yolox_nano.onnx	416x416	2 ms

针对上一节中的第3点，我试了不管模型输入尺寸是640x640，416x416还是512x416都是可以的，程序会做自适应处理。

总结

一句话：YOLOX又快又好！

欢迎关注我的公众号【DeepDriving】，我会不定期分享计算机视觉、机器学习、深度学习、无人驾驶等领域的文章。