NanoDet简介

NanoDet （https://github.com/RangiLyu/nanodet）是一个速度超快和轻量级的Anchor-free 目标检测模型；和yolov4 tiny作比较（如下图），精度相当，但速度却快了1倍；对于速度优先的场景，nanodet无疑是一个好的选择。

NanoDet损失函数GFocal Loss

目前比较强力的one-stage anchor-free的检测器（以FCOS，ATSS为代表）基本会包含3个表示：

1. 分类表示
2. 检测框表示
3. 检测框的质量估计（在FCOS/ATSS中，目前采用centerness，当然也有一些其他类似的工作会采用IoU，这些score基本都在0~1之间） 存在问题1：classification score 和 IoU/centerness score 训练测试不一致。存在问题2：bbox regression 表示不够灵活，没有办法建模复杂场景下的uncertainty 对于第一个问题，为了保证training和test一致，同时还能够兼顾分类score和质量预测score都能够训练到所有的正负样本，作者提出一个方案：就是将两者的表示进行联合 对于第二个问题，作者选择直接回归一个任意分布来建模框的表示。一句话总结：基于任意one-stage 检测器上，调整框本身与框质量估计的表示，同时用泛化版本的GFocal Loss训练该改进的表示，无cost涨点（一般1个点出头）AP

NanoDet 检测头FCOS架构

FCOS系列使用了共享权重的检测头，即对FPN出来的多尺度Feature Map使用同一组卷积预测检测框，然后每一层使用一个可学习的Scale值作为系数，对预测出来的框进行缩放。FCOS的检测头使用了4个256通道的卷积作为一个分支，也就是说在边框回归和分类两个分支上一共有8个c=256的卷积，计算量非常大。为了将其轻量化，作者首先选择使用深度可分离卷积替换普通卷积，并且将卷积堆叠的数量从4个减少为2组。在通道数上，将256维压缩至96维，之所以选择96，是因为需要将通道数保持为8或16的倍数，这样能够享受到大部分推理框架的并行加速。最后，借鉴了yolo系列的做法，将边框回归和分类使用同一组卷积进行计算，然后split成两份。

FPN层改进PAN

原版的PAN和yolo中的PAN，使用了stride=2的卷积进行大尺度Feature Map到小尺度的缩放。作者为了轻量化的原则，选择完全去掉PAN中的所有卷积，只保留从骨干网络特征提取后的1x1卷积来进行特征通道维度的对齐，上采样和下采样均使用插值来完成。与yolo使用的concatenate操作不同，作者选择将多尺度的Feature Map直接相加，使得整个特征融合模块的计算量变得非常非常小。

NanoDet 骨干网络ShuffleNetV2(原始版本）

作者选择使用ShuffleNetV2 1.0x作为backbone，去掉了最后一层卷积，并且抽取8、16、32倍下采样的特征输入进PAN做多尺度的特征融合

环境配置

• 环境配置和之前的文章《基于TensorRT量化部署yolov5 4.0模型》类似
• ubuntu：18.04
• cuda：11.0
• cudnn：8.0
• tensorrt：7.2.16
• OpenCV：3.4.2
• cuda，cudnn，tensorrt和OpenCV安装包（编译好了，也可以自己从官网下载编译）可以从链接: https://pan.baidu.com/s/1dpMRyzLivnBAca2c_DIgGw 密码: 0rct
• cuda安装
• 如果系统有安装驱动，运行如下命令卸载
• sudo apt-get purge nvidia*
• 禁用nouveau，运行如下命令
• sudo vim /etc/modprobe.d/blacklist.conf
• 在末尾添加
• blacklist nouveau
• 然后执行
• sudo update-initramfs -u
• chmod +x cuda_11.0.2_450.51.05_linux.run
• sudo ./cuda_11.0.2_450.51.05_linux.run
• 是否接受协议: accept
• 然后选择Install
• 最后回车
• vim ~/.bashrc 添加如下内容：
• export PATH=/usr/local/cuda-11.0/bin:$PATH
• export LD_LIBRARY_PATH=/usr/local/cuda-11.0/lib64:$LD_LIBRARY_PATH
• source ~/.bashrc 激活环境
• cudnn 安装
• tar -xzvf cudnn-11.0-linux-x64-v8.0.4.30.tgz
• cd cuda/include
• sudo cp *.h /usr/local/cuda-11.0/include
• cd cuda/lib64
• sudo cp libcudnn* /usr/local/cuda-11.0/lib64
• tensorrt及OpenCV安装
• 定位到用户根目录
• tar -xzvf TensorRT-7.2.1.6.Ubuntu-18.04.x86_64-gnu.cuda-11.0.cudnn8.0.tar.gz
• cd TensorRT-7.2.1.6/python，该目录有4个python版本的tensorrt安装包
• sudo pip3 install tensorrt-7.2.1.6-cp37-none-linux_x86_64.whl（根据自己的python版本安装）
• pip install pycuda 安装python版本的cuda
• 定位到用户根目录
• tar -xzvf opencv-3.4.2.zip 以备推理调用

NanoDet 模型转换onnx

• pip install onnx
• pip install onnx-simplifier
• git clone https://github.com/Wulingtian/nanodet.git
• cd nanodet
• cd config 配置模型文件（注意激活函数要换为relu！tensorrt支持relu量化），训练模型
• 定位到nanodet目录，进入tools目录，打开export.py文件，配置cfg_path model_path out_path三个参数
• 定位到nanodet目录，运行 python tools/export.py 得到转换后的onnx模型
• python3 -m onnxsim onnx模型名称 nanodet-simple.onnx 得到最终简化后的onnx模型

onnx模型转换为 int8 tensorrt引擎

• git clone https://github.com/Wulingtian/nanodet_tensorrt_int8_tools.git（求star）
• cd nanodet_tensorrt_int8_tools
• vim convert_trt_quant.py 修改如下参数
• BATCH_SIZE 模型量化一次输入多少张图片
• BATCH 模型量化次数
• height width 输入图片宽和高
• CALIB_IMG_DIR 训练图片路径，用于量化
• onnx_model_path onnx模型路径
• python convert_trt_quant.py 量化后的模型存到models_save目录下

tensorrt模型推理

• git clone https://github.com/Wulingtian/nanodet_tensorrt_int8.git（求star）

• cd nanodet_tensorrt_int8

• vim CMakeLists.txt

• 修改USER_DIR参数为自己的用户根目录

• vim nanodet_infer.cc 修改如下参数

• output_name模型有一个输出

• 我们可以通过netron查看模型输出名

• pip install netron 安装netron

• vim netron_nanodet.py 把如下内容粘贴

• import netron
• netron.start('此处填充简化后的onnx模型路径', port=3344)

• python netron_nanodet.py 即可查看 模型输出名

• trt_model_path 量化的的tensorrt推理引擎（models_save目录下trt后缀的文件）

• test_img 测试图片路径

• INPUT_W INPUT_H 输入图片宽高

• NUM_CLASS 训练的模型有多少类

• NMS_THRESH nms阈值

• CONF_THRESH 置信度阈值

• 参数配置完毕

• mkdir build

• cd build

• cmake ..

• make

• ./NanoDetEngine 输出平均推理时间，以及保存预测图片到当前目录下，至此，部署完成！

预测结果展示