（附源码）NCNN+INT8+YOLOV4量化模型和实时推理
共 13152字，需浏览 27分钟
·
2021-05-17 22:34
一、前言
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
更多详情大家可以去看下nihui大佬的博客：https://zhuanlan.zhihu.com/p/370689914
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
话不多说，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我的另一条博客：
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）
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：
生成所需的list.txt列表，格式如下：
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形状是模型的输入图片形状 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
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：
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\examples文件夹下copy一下yolov4.cpp的代码（一个字！嫖！）
但是我在这里却遇到了点问题，因为一直搞不懂大佬主函数写的传参是什么，在昨晚复习完教资后搞到了好晚。。。
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;
}
果然大佬就是大佬，写的代码高深莫测，我只是一个小白，好难
靠，第二天直接不看了，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：
走到这里，就可以愉快的推理了
四、总结
说一下我的电脑配置，神舟笔记本K650D-i5，处理器InterCorei5-4210M，都是相对过时的老机器了，毕竟买了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）
双一流高校研究生团队创建 ↓
专注于目标检测原创并分享相关知识 ☞
整理不易，点赞三连！