【deepstream部署Yolov6】

项目路径：GitHub - egbertYeah/YOLOv6 at dev

0. 介绍

Arxiv：https://arxiv.org/abs/2209.02976

Github： https://github.com/meituan/YOLOv6

yolov6 是美团发布的一款面向工业应用的2D目标检测算法，在检测精度和推理效率上都有所提升。yolov6 在Backbon、Neck、Head等方面都进行了改进，基于RepVGG style设计了EfficientRep BackBone 和Rep-PAN Neck，此外，优化设计了更简洁的Efficient Decouple Head.

现阶段，在Yolov6的开源项目中提供多种部署方案，本文，基于现有的TensorRT部署方案，来完成Yolov6在Deepstream框架上的推理。

1. 生成Engine

基于现有的TensorRT部署方案来生成 Yolov6n的 TensorRT Engine 文件，具体细节可参考TensorRT的部署链接，大体步骤如下：

测试环境：

• pytorch 1.8
• TensorRT 8.0
• ONNX 1.12.0

Step 1：pth 转 ONNX

python ./deploy/ONNX/export_onnx.py \
    --weights yolov6n.pt \
    --img 640 \
    --batch 1

 Step 2：生成Engine

python3 onnx_to_tensorrt.py --fp16 --int8 -v \
        --max_calibration_size=${MAX_CALIBRATION_SIZE} \
        --calibration-data=${CALIBRATION_DATA} \
        --calibration-cache=${CACHE_FILENAME} \
        --preprocess_func=${PREPROCESS_FUNC} \
        --explicit-batch \
        --onnx ${ONNX_MODEL} -o ${OUTPUT}

 以 Yolov6n为例：

python3 onnx_to_tensorrt.py --fp16 --onnx ${ONNX_MODEL} -o ${OUTPUT}

2. 网络结构

当生成TensorRT Engine文件之后，需要对网络的输入和输出进行分析，来编写处理输出的脚本。

如下图所示，为Yolov6n ONNX文件的输入输出信息，从图中可以看出，网络只有一个输入和输出，输入就是图像经过预处理之后的数据，输出为预测框的信息。

 下图为文章Deepstream的Yolov3使用流程 中描述的一般Yolo系列目标检测算法的流程，在这个图中网络的输出为3个不同尺度的预测框信息，在这之后需要对预测的目标框进行decode处理，使得此时的目标框的位置信息都是相对于网络输入尺度而言，最后对所有的目标框按类别进行NMS得到最后的结果。

但是，此次采用Yolov6的TensorRT 方案将decode步骤包含在模型中完成，因此输出为decode之后的目标框信息，所以此时目标框的位置是相对于原图而言的。输出的维度为【batch，目标框的个数，目标框的信息】，其中目标框的个数为8400，由80×80+40×40+20×20得到，目标框的信息为85，等于4个目标位置信息+1个目标置信度+80个类别置信度。具体形式如下图所示。

3. 解析函数实现

从章节2中，可以知道模型的输出为经过decode操作之后的所有目标框信息，因此，解析函数中主要的功能是对所有的目标框信息，按类别进行NMS，得到最后的输出，如下图所示。

 在Deesptream中的nvinfer插件中提供了一个接口来处理TensorRT Engine的输出，因此只需要实现一个接口函数，并在Nvinfer 的配置文件中正确设置即可。

NMS的具体实现请参考parsebbox_YoloV6v2.cpp文件，这里就不作过多的解释。

4. 配置文件

在Deepstream中推理Yolov6需要设置两个配置文件，一个nvinfer的配置文件，一个是deepstream-app的配置文件，下面就一些主要的参数内容进行介绍。

config_infer_prinary_yoloV6.txt nvinfer的配置文件，详细配置参数含义请参考链接。

1. 图像预处理相关参数

net-scale-factor=0.0039215697906911373
maintain-aspect-ratio=1
symmetric-padding=1
scaling-filter=1
scaling-compute-hw=0
#0=RGB, 1=BGR
model-color-format=0

 2. 设置模型的信息

model-engine-file=yolov6n.trt
force-implicit-batch-dim=1
batch-size=1
## 0=FP32, 1=INT8, 2=FP16 mode
network-mode=2
num-detected-classes=80
gie-unique-id=1
# Integer 0: Detector  1: Classifier
network-type=0

3.  NMS类型设置

## 1=DBSCAN, 2=NMS, 3= DBSCAN+NMS Hybrid, 4 = None(No clustering)
cluster-mode=4
# lib path
parse-bbox-func-name=NvDsInferParseCustomYoloV6        # nms实现的函数名
custom-lib-path=nvdsparsebbox_YoloV6/libnvdsinfer_custom_impl_Yolov6.so

ds_app_config_yoloV6.txt deepstream-app的配置文件，具体配置参数含义请参考链接。

• 输入配置

[source0]
enable=1
#Type - 1=CameraV4L2 2=URI 3=MultiURI
type=3                                # 输入数据的类型
uri=file://./sample_1080p_h264.mp4    # 输入数据的URI
num-sources=1
gpu-id=0
# (0): memtype_device   - Memory type Device
# (1): memtype_pinned   - Memory type Host Pinned
# (2): memtype_unified  - Memory type Unified
cudadec-memtype=0

• 输出设置

[sink0]
enable=1
#Type - 1=FakeSink 2=EglSink 3=File
type=3                # 输出结果类型
sync=0
source-id=0
gpu-id=0
nvbuf-memory-type=0
 
container=1
codec=1
bitrate=4000000
iframeinterval=30
output-file=output_yolov6.mp4    # 输出结果路径

• 指定nvinfer推理的模型配置文件

# config-file property is mandatory for any gie section.
# Other properties are optional and if set will override the properties set in
# the infer config file.
[primary-gie]
enable=1
gpu-id=0
#model-engine-file=model_b1_gpu0_int8.engine
labelfile-path=labels.txt
batch-size=1
#Required by the app for OSD, not a plugin property
bbox-border-color0=1;0;0;1
bbox-border-color1=0;1;1;1
bbox-border-color2=0;0;1;1
bbox-border-color3=0;1;0;1
interval=2
gie-unique-id=1
nvbuf-memory-type=0
config-file=config_infer_prinary_yoloV6.txt   # 指定nvinfer的配置文件路径

5. Run 

本次测试采用的是deepstream中提供的sample_1080p_h264.mp4，具体运行命令如下：

deepstream-app -c ds_app_config_yoloV6.txt

配置文件中设置的输出为视频，因此在同路径下会得到一个output_yolov6.mp4的文件。这里给一个输出结果截图，hhhh。

 6. Yolov6n模型的mAP

基于Yolov6中的TensorRT 部署方案，在数据精度为FP16和INT8的情况下，分别测试了Yolov6n在COCO2017 val上的性能，具体效果如下图所示。

 可以看到在FP16精度下，mAP几乎没有损失，而对应INT8精度下，mAP值下降较多。此外，Yolov6过程中，还提供了RepOpt的方式来实现面向工业应用。