YOLOv4 NCNN 量化模型和实时推理

又搬来了大佬的啊  膜拜大佬

2021年5月7日，腾讯优图实验室正式推出了ncnn新版本，这一版本的贡献毫无疑问，又是对arm系列的端侧推理一大推动，先剖出nihui大佬博客上关于新版ncnn的优化点：继续保持优秀的接口稳定性和兼容性

• API接口完全不变

• 量化校准table完全不变

• int8模型量化流程完全不变（重点是这个！！！之前对tensorflow框架一直不感冒，很大一部分源于tensorflow每更新一次版本，就杀死一片上一版本的接口，可能上了2.0以后这种情况好了很多，不过依旧训练是torch用的更多）

ncnn int8量化工具(ncnn2table)新特性

• 支持 kl aciq easyquant 三种量化策略

• 支持多输入的模型量化

• 支持RGB/RGBA/BGR/BGRA/GRAY输入的模型量化

• 大幅改善多线程效率

• 离线进行(反量化-激活-量化)->(requantize)融合，实现端到端量化推理

二、新版ncnn的int8量化初探

趁着这股热风，赶紧试下新版ncnn量化版int8（更重要的原因是月底要中期答辩了，毕设还没搞完，赶紧跑跑大佬的库，顺带嫖一波）

2.1 安装编译ncnn

在跑库前先安装编译好需要的环境，安装和编译过程可以看另一条博客：https://zhuanlan.zhihu.com/p/368653551

2.2 yolov4-tiny量化int8

• 在量化前，先不要着急，我们先看看ncnn的wiki，看下量化前需要做什么工作：

https//github.com/Tencent/ncnn/wiki/quantized-int8-inference

wiki中：为了支持int8模型在移动设备上的部署，我们提供了通用的训练后量化工具，可以将float32模型转换为int8模型。

也就是说，在进行量化前，我们需要yolov4-tiny.bin和yolov4-tiny.param这两个权重文件，因为想快速测试int8版本的性能，这里就不把yolov4-tiny.weights转yolov4-tiny.bin和yolov4-tiny.param的步骤写出来了，大家上model.zoo去嫖下这两个opt文件

地址：https://github.com/nihui/ncnn-assets/tree/master/models

• 接着，按照步骤使用编译好的ncnn对两个模型进行优化：

./ncnnoptimize yolov4-tiny.param yolov4-tiny.bin yolov4-tiny-opt.param yolov4-tiny.bin 0

如果是直接上model.zoo下的两个opt文件，可以跳过这一步。

• 下载校准表图像

先下载官方给出的1000张ImageNet图像，很多同学没有梯子，下载慢，可以用下这个链接：

https://download.csdn.net/download/weixin_45829462/18704213

这里给大家设置的是免费下载，如果后续被官方修改了下载积分，那就么得办法啦（好人的微笑.jpg）

ImageNet图像下载

• 制作校准表文件

linux下，切换到和images同个文件夹的根目录下，直接

find images/ -type f > imagelist.txt

windows下，打开Git Bash（没有的同学自行百度安装，这个工具是真的好用），切换到切换到和images同个文件夹的根目录下，也是直接上面的命令行： 大佬这里竟然是windows环境

 生成图片名列表文件命令

生成所需的list.txt列表，格式如下：

图片名列表文件预览

接着继续输入命令：

./ncnn2table yolov4-tiny-opt.param yolov4-tiny-opt.bin imagelist.txt yolov4-tiny.table mean=[104,117,123] norm=[0.017,0.017,0.017] shape=[224,224,3] pixel=BGR thread=8 method=kl

其中，上述所包含变量含义如下：

mean平均值和norm范数是你传递给Mat::substract_mean_normalize()的值，shape形状是模型的斑点形状

pixel是模型的像素格式，图像像素将在Extractor::input()之前转换为这种类型 thread线程是可用于并行推理的CPU线程数（这个要根据自己电脑或者板子的性能自己定义） 量化方法是训练后量化算法，目前支持kl和aciq

• 量化模型

./ncnn2int8 yolov4-tiny-opt.param yolov4-tiny-opt.bin yolov4-tiny-int8.param yolov4-tiny-int8.bin yolov4-tiny.table

直接一步走，所有量化的工具在ncnn\build-vs2019\tools\quantize文件夹下

 

量化工具所在目录

找不到的读者请看下自己编译过程是不是有误，正常编译下是会有这些量化文件的运行成功后会生成两个int8的文件，分别是：

生成的量化模型

对比一下原来的两个opt模型，小了整整一倍!

三、新版ncnn的int8量化再探

量化出了int8模型仅仅是成功了一半，有模型但是内部参数全都错乱的情况也不是没见过。。。

• 调用int8模型进行推理

打开vs2019，建立新的工程，配置的步骤我在上一篇博客已经详细说过了，再狗头翻出来祭给大家：

https://zhuanlan.zhihu.com/p/368653551

大家直接去ncnn\example文件夹下copy一下yolov4.cpp的代码（一个字！嫖！）

这个没太看懂

int main(int argc, char** argv){    cv::Mat frame;    std::vector<Object> objects;    cv::VideoCapture cap;    ncnn::Net yolov4;    const char* devicepath;    int target_size = 0;    int is_streaming = 0;
    if (argc < 2)    {        fprintf(stderr, "Usage: %s [v4l input device or image]\n", argv[0]);        return -1;    }
    devicepath = argv[1];
#ifdef NCNN_PROFILING    double t_load_start = ncnn::get_current_time();#endif    int ret = init_yolov4(&yolov4, &target_size); //We load model and param first!    if (ret != 0)    {        fprintf(stderr, "Failed to load model or param, error %d", ret);        return -1;    }
#ifdef NCNN_PROFILING    double t_load_end = ncnn::get_current_time();    fprintf(stdout, "NCNN Init time %.02lfms\n", t_load_end - t_load_start);
#endif    if (strstr(devicepath, "/dev/video") == NULL)    {        frame = cv::imread(argv[1], 1);        if (frame.empty())        {            fprintf(stderr, "Failed to read image %s.\n", argv[1]);            return -1;        }    }    else    {        cap.open(devicepath);
        if (!cap.isOpened())        {            fprintf(stderr, "Failed to open %s", devicepath);            return -1;        }        cap >> frame;        if (frame.empty())        {            fprintf(stderr, "Failed to read from device %s.\n", devicepath);            return -1;        }        is_streaming = 1;    }    while (1)    {        if (is_streaming)        {#ifdef NCNN_PROFILING            double t_capture_start = ncnn::get_current_time();#endif            cap >> frame;
#ifdef NCNN_PROFILING            double t_capture_end = ncnn::get_current_time();            fprintf(stdout, "NCNN OpenCV capture time %.02lfms\n", t_capture_end - t_capture_start);#endif            if (frame.empty())            {                fprintf(stderr, "OpenCV Failed to Capture from device %s\n", devicepath);                return -1;            }        }
#ifdef NCNN_PROFILING        double t_detect_start = ncnn::get_current_time();#endif        detect_yolov4(frame, objects, target_size, &yolov4); //Create an extractor and run detection
#ifdef NCNN_PROFILING        double t_detect_end = ncnn::get_current_time();        fprintf(stdout, "NCNN detection time %.02lfms\n", t_detect_end - t_detect_start);#endif#ifdef NCNN_PROFILING        double t_draw_start = ncnn::get_current_time();#endif        draw_objects(frame, objects, is_streaming); //Draw detection results on opencv image
#ifdef NCNN_PROFILING        double t_draw_end = ncnn::get_current_time();        fprintf(stdout, "NCNN OpenCV draw result time %.02lfms\n", t_draw_end - t_draw_start);#endif        if (!is_streaming)        {   //If it is a still image, exit!            return 0;        }    }    return 0;}

因为没看明白~~所以重新写了一个main函数，调用大佬写的那几个function：

int main(int argc, char** argv){    cv::Mat frame;    std::vector<Object> objects;    cv::VideoCapture cap;    ncnn::Net yolov4;    const char* devicepath;    int target_size = 160;    int is_streaming = 0;    /*    const char* imagepath = "E:/ncnn/yolov5/person.jpg";
    cv::Mat m = cv::imread(imagepath, 1);    if (m.empty())    {        fprintf(stderr, "cv::imread %s failed\n", imagepath);        return -1;    }
    double start = GetTickCount();    std::vector<Object> objects;    detect_yolov5(m, objects);    double end = GetTickCount();    fprintf(stderr, "cost time:  %.5f\n ms", (end - start)/1000);
    draw_objects(m, objects);
    */    int ret = init_yolov4(&yolov4, &target_size); //We load model and param first!    if (ret != 0)    {        fprintf(stderr, "Failed to load model or param, error %d", ret);        return -1;    }
    cv::VideoCapture capture;    capture.open(0);  //修改这个参数可以选择打开想要用的摄像头
    //cv::Mat frame;    while (true)    {        capture >> frame;        cv::Mat m = frame;        double start = GetTickCount();        std::vector<Object> objects;        detect_yolov4(frame, objects, 160, &yolov4);        double end = GetTickCount();        fprintf(stderr, "cost time:  %.5f ms \n", (end - start));        // imshow("外接摄像头", m);  //remember, imshow() needs a window name for its first parameter        draw_objects(m, objects, 8);
        if (cv::waitKey(30) >= 0)            break;    }
    return 0;}

还有几点注意，大家在进行推理的时候

把fp16禁掉，不用了 

换成int8推理 

把线程改成你之前制作int8模型的那个线程 

模型也替换掉

 具体如下： 

 代码需要修改的几点

走到这里，就可以愉快的推理了

 推理效果展示

四、总结

说一下电脑配置，神处理器InterCorei5-4210M，都是相对过时的老机器了，买了6年，性能也在下降。

跑库过程全程用cpu，为什么不用gpu？（问的好，2g显存老古董跑起来怕电脑炸了）

对比之前的fp16模型，明显在input_size相同的情况下快了40%-70%，且精度几乎没有什么损耗

总结来说，新版ncnn的int8量化推理确实是硬货，后续会尝试更多模型的int8推理，做对比实验给各位网友看

所有的文件和修改后的代码放在这个仓库里，欢迎大家白嫖：https://github.com/pengtougu/ncnn-yolov4-int8

感兴趣的朋友可以git clone下载跑跑，即下即用（前提要安装好ncnn）

 whaosoft aiot http://143ai.com