详细记录u版YOLOv5目标检测ncnn实现

0x0 u版YOLOv5

众所周知，原版YOLO系列是 darknet 框架训练的，而广泛使用的是 YOLOv4 作者 AlexeyAB 的版本

AlexeyAB 首字母是a，于是也被叫做 a版，darknet模型可以用 ncnn 自带的 darknet2ncnn 无痛转换，步骤比较简单，因此本文不提

https://github.com/AlexeyAB/darknet

Ultralytics LLC 再次改进出更快更好的 YOLOv5，并且之前也有独立实现的 pytorch yolov3

Ultralytics 首字母是u，于是也被叫做 u版。pytorch 大法好！（曾经我以为u版的意思是能放在u盘里跑的yolo（（（

https://github.com/ultralytics/yolov5

0x1 缘由

pytorch yolov5 转 ncnn 推理，搜索下 github 便能找到好几个，zhihu 也有文章

ncnn example 里没有 yolov5.cpp，本打算借鉴下社区成果，结果仔细看了代码发现这些实现都缺少了 yolov5 Focus 模块和动态尺寸输入，前者导致检测精度差一截，后者导致推理速度差一截，这样子放进官方repo当成参考代码是不行的

这里就用 yolov5 作为例子，介绍下如何用 ncnn 实现出完整形态的 yolov5

0x2 pytorch测试和导出onnx

按照 yolov5 README 指引，下载 yolov5s.pt，调用 detect.py 看看检测效果

$ python detect.py --source inference/images --weights yolov5s.pt --conf 0.25

效果没有问题，继续按照 README 指引，导出 onnx，并用 onnx-simplifer 简化模型，到此都很顺利

https://github.com/ultralytics/yolov5/issues/251github.com

$ python models/export.py --weights yolov5s.pt --img 640 --batch 1
$ python -m onnxsim yolov5s.onnx yolov5s-sim.onnx

0x3 转换和实现focus模块

$ onnx2ncnn yolov5s-sim.onnx yolov5s.param yolov5s.bin

转换为 ncnn 模型，会输出很多 Unsupported slice step，这是focus模块转换的报错

Unsupported slice step !
Unsupported slice step !
Unsupported slice step !
Unsupported slice step !
Unsupported slice step !
Unsupported slice step !
Unsupported slice step !
Unsupported slice step !

好多人遇到这种情况，便不知所措，这些警告表明focus模块这里要手工修复下

打开 yolov5/models/common.py 看看focus在做些什么

class Focus(nn.Module):
    # Focus wh information into c-space
    def __init__(self, c1, c2, k=1, s=1, p=None, g=1, act=True):  # ch_in, ch_out, kernel, stride, padding, groups
        super(Focus, self).__init__()
        self.conv = Conv(c1 * 4, c2, k, s, p, g, act)

    def forward(self, x):  # x(b,c,w,h) -> y(b,4c,w/2,h/2)
        return self.conv(torch.cat([x[..., ::2, ::2], x[..., 1::2, ::2], x[..., ::2, 1::2], x[..., 1::2, 1::2]], 1))

这其实是一次 col-major space2depth 操作，pytorch 似乎并没有对应上层api实现（反向的 depth2space 可以用 nn.PixelShuffle），yolov5 用 stride slice 再 concat 方式实现，实乃不得已而为之的骚操作

用netron工具打开param，找到对应focus的部分

把这堆骚操作用个自定义op YoloV5Focus代替掉，修改param

• 找准输入输出 blob 名字，用一个自定义层 YoloV5Focus 连接
• param 开头第二行，layer_count 要对应修改，但 blob_count 只需确保大于等于实际数量即可
• 修改后使用 ncnnoptimize 工具，自动修正为实际 blob_count

替换后用 ncnnoptimize 过一遍模型，顺便转为 fp16 存储减小模型体积

$ ncnnoptimize yolov5s.param yolov5s.bin yolov5s-opt.param yolov5s-opt.bin 65536

接下来要实现这个自定义op YoloV5Focus，wiki上的步骤比较繁多

https://github.com/Tencent/ncnn/wiki/how-to-implement-custom-layer-step-by-stepgithub.com

针对 focus 这样，没有权重，也无所谓参数加载的 op，继承 ncnn::Layer 实现 forward 就可以用，注意要用 DEFINE_LAYER_CREATOR 宏定义 YoloV5Focus_layer_creator

#include "layer.h"
class YoloV5Focus : public ncnn::Layer
{
public:
    YoloV5Focus()
    {
        one_blob_only = true;
    }

    virtual int forward(const ncnn::Mat& bottom_blob, ncnn::Mat& top_blob, const ncnn::Option& opt) const
    {
        int w = bottom_blob.w;
        int h = bottom_blob.h;
        int channels = bottom_blob.c;

        int outw = w / 2;
        int outh = h / 2;
        int outc = channels * 4;

        top_blob.create(outw, outh, outc, 4u, 1, opt.blob_allocator);
        if (top_blob.empty())
            return -100;

        #pragma omp parallel for num_threads(opt.num_threads)
        for (int p = 0; p < outc; p++)
        {
            const float* ptr = bottom_blob.channel(p % channels).row((p / channels) % 2) + ((p / channels) / 2);
            float* outptr = top_blob.channel(p);

            for (int i = 0; i < outh; i++)
            {
                for (int j = 0; j < outw; j++)
                {
                    *outptr = *ptr;

                    outptr += 1;
                    ptr += 2;
                }

                ptr += w;
            }
        }

        return 0;
    }
};

DEFINE_LAYER_CREATOR(YoloV5Focus)

加载模型前先注册 YoloV5Focus，否则会报错找不到 YoloV5Focus

ncnn::Net yolov5;

yolov5.opt.use_vulkan_compute = true;
// yolov5.opt.use_bf16_storage = true;

yolov5.register_custom_layer("YoloV5Focus", YoloV5Focus_layer_creator);

yolov5.load_param("yolov5s-opt.param");
yolov5.load_model("yolov5s-opt.bin");

0x4 u版YOLOv5后处理

其实工程量最大的倒是后处理的实现，u版的后处理和a版本是不一样的，ncnn内置的YoloV3DetectionOuptut是对着a版实现的，不能直接拿来接住，需要自己实现

anchor信息是在 yolov5/models/yolov5s.yaml

pytorch的后处理在 yolov5/models/yolo.py Detect类 forward函数，对着改写成 cpp

netron里找到模型的3个输出blob，分别对应于 stride 8/16/32 的输出

输出shape可知

• w=85，对应于bbox的dx,dy,dw,dh，bbox置信度，80种分类的置信度
• h=6400，对应于整个图片里全部anchor的xy，这个1600是stride=8的情况，输入640的图片，宽高划分为640/8=80块，80x80即6400
• c=3，对应于三种anchor

sort nms 可以借鉴 YoloV3DetectionOuptut

0x5 动态尺寸推理

u版yolov5 是支持动态尺寸推理的

• 静态尺寸：按长边缩放到 640xH 或 Wx640，padding 到 640x640 再检测，如果 H/W 比较小，会在 padding 上浪费大量运算
• 动态尺寸：按长边缩放到 640xH 或 Wx640，padding 到 640xH2 或 W2x640 再检测，其中 H2/W2 是 H/W 向上取32倍数，计算量少，速度更快

ncnn天然支持动态尺寸输入，无需reshape或重新初始化，给多少就算多少

如果直接跑小图，会发现检测框密密麻麻布满整个画面，或者根本检测不到东西，就像这样

问题出在最后 Reshape 层把输出grid数写死了，根据 ncnn Reshape 参数含义，把写死的数量改为 -1 便可以自适应

后处理部分也不可写死 sqrt(num_grid)，要根据图片宽高和 stride 自适应

const int num_grid = feat_blob.h;

int num_grid_x;
int num_grid_y;
if (in_pad.w > in_pad.h)
{
    num_grid_x = in_pad.w / stride;
    num_grid_y = num_grid / num_grid_x;
}
else
{
    num_grid_y = in_pad.h / stride;
    num_grid_x = num_grid / num_grid_y;
}

ncnn实现代码和转好的模型已上传到github

0x6 android例子

https://github.com/nihui/ncnn-android-yolov5github.com

根据 README 步骤就能编译，yolov5 小目标检测挺厉害的

0x7 总结

没啥好总结的，写个文章，实践下如何用自定义层，讲讲动态输入的注意事项，将来有需要可以参考着来

虽然没有这教程，也能把 example 的 yolov5 跑起来，但里头的过程和细节就看不到了，授人鱼不如授人渔

ncnn就要1w star啦（小声

https://github.com/Tencent/ncnngithub.com