計(jì)算機(jī)視覺(jué)研究院手把手教你深度學(xué)習(xí)的部署

以下文章來(lái)源于DL工程實(shí)踐 ，作者DDX

背景

最近采購(gòu)了一塊新的樹(shù)莓派，迫不及待的想要在樹(shù)莓派上實(shí)現(xiàn)一個(gè)實(shí)時(shí)的手勢(shì)識(shí)別。從算法的角度講，并不是太難；但是從工程的角度來(lái)說(shuō)，主要有兩個(gè)難點(diǎn)，一是手勢(shì)數(shù)據(jù)的采集。大家都知道，深度學(xué)習(xí)的高精度離不開(kāi)大量的訓(xùn)練數(shù)據(jù)，網(wǎng)絡(luò)設(shè)計(jì)的再好，沒(méi)有足夠的數(shù)據(jù)是不行的。

因此要想實(shí)現(xiàn)一個(gè)好的手勢(shì)識(shí)別，采集數(shù)據(jù)就成了一個(gè)比較重要的難點(diǎn)；另外一個(gè)難點(diǎn)是如何在樹(shù)莓派上實(shí)現(xiàn)實(shí)時(shí)的識(shí)別。樹(shù)莓派實(shí)際上是一個(gè)使用arm作為處理器的linux系統(tǒng)，但是由于芯片的性能不是很強(qiáng)，比我們使用的手機(jī)要弱很多，并且樹(shù)莓派目前對(duì)vulkan的支持并不好，無(wú)法使用vulkan加速，因此對(duì)網(wǎng)絡(luò)的優(yōu)化也是一個(gè)難點(diǎn)。要保證網(wǎng)絡(luò)優(yōu)化后的精度不能下降太多，但計(jì)算量必須要下降很多。 這次就從這兩個(gè)角度出發(fā)，實(shí)現(xiàn)一套實(shí)時(shí)的手勢(shì)識(shí)別。

由于手勢(shì)的類(lèi)型非常多，有識(shí)別數(shù)字的，識(shí)別字母的，識(shí)別動(dòng)作的，這里為了拋磚引玉，設(shè)計(jì)一個(gè)相對(duì)簡(jiǎn)單的識(shí)別"剪刀，石頭，布"的手勢(shì)識(shí)別系統(tǒng)，后續(xù)可以用來(lái)制作一個(gè)剪刀石頭布的對(duì)戰(zhàn)機(jī)器人。想要實(shí)現(xiàn)其他類(lèi)型的手勢(shì)識(shí)別，也完全可以按照這個(gè)流程來(lái)做。

 數(shù)據(jù)采集

對(duì)于數(shù)據(jù)采集，首先看看有沒(méi)有開(kāi)源的手勢(shì)識(shí)別數(shù)據(jù)集。很遺憾，除了收費(fèi)的手勢(shì)識(shí)別數(shù)據(jù)集，基本上都是一些不太完整的手勢(shì)識(shí)別數(shù)據(jù)集。因此我們需要自己采集。工欲善其事必先利其器，自己采集就得有一些比較好的數(shù)據(jù)采集工具。這里我設(shè)計(jì)了一款數(shù)據(jù)采集工具（后臺(tái)回復(fù)“手勢(shì)識(shí)別”即獲?。４蠹乙部梢愿鶕?jù)自己的需要開(kāi)發(fā)自己的數(shù)據(jù)采集工具。其實(shí)本質(zhì)上并不難，使用pyqt+opencv很容易就能開(kāi)發(fā)一個(gè)順手的數(shù)據(jù)采集工具。由于基于python開(kāi)發(fā)，所以移植性非常好，既可以在windows下使用，也可以在linux，樹(shù)莓派上使用。我設(shè)計(jì)的這個(gè)界面非常簡(jiǎn)潔，如下圖所示：

opencv會(huì)調(diào)用camera開(kāi)始預(yù)覽，然后設(shè)置一下保存路徑，保存標(biāo)簽，點(diǎn)擊保存圖片，就可以按照設(shè)置的保存間隔進(jìn)行采集數(shù)據(jù)。例如默認(rèn)的保存間隔為30，即30幀保存一張圖片，相當(dāng)于1秒鐘保存一張，如果想要頻率快一些，就將保存間隔設(shè)置的小一點(diǎn)。下面的視頻展示了數(shù)據(jù)采集工具的采集過(guò)程，為了展示效果，我把保存間隔設(shè)置為了60幀，大約2秒保存一張圖片。

我把剪刀的標(biāo)簽設(shè)置為0，石頭的標(biāo)簽設(shè)置為1，布的標(biāo)簽設(shè)置為2，最終通過(guò)該數(shù)據(jù)收集工具就收集到了三個(gè)文件夾：

接下來(lái)需要為訓(xùn)練數(shù)據(jù)創(chuàng)建標(biāo)簽文本。這里我將所有圖片的80%作為訓(xùn)練數(shù)據(jù)數(shù)據(jù)集，剩余的20%作為驗(yàn)證數(shù)據(jù)集。使用python腳本很容易實(shí)現(xiàn)自動(dòng)創(chuàng)建標(biāo)簽文件的腳本，代碼如下：

import os
import random
MAX_LABEL=3 #類(lèi)別的種類(lèi)數(shù)目
label_list=[]
for label in range(0,MAX_LABEL+1):
    for file in os.listdir(str(label)):
        label_list.append(str(label)+'/' + str(file) + ' ' + str(label))        
#對(duì)列表進(jìn)行shuffle操作
random.shuffle(label_list) 
count = len(label_list)
# 80%作為訓(xùn)練數(shù)據(jù)集
train_count = int(count * 0.8) 
train_list = label_list[0:train_count]
test_list = label_list[train_count:]
print('total count=%d train_count=%d test_count=%d'%(count, train_count, count-train_count))
# 寫(xiě)入train.txt標(biāo)簽文件
with open('train.txt', 'w') as f:
    for line in train_list:
        f.write(line + '')
# 寫(xiě)入test.txt標(biāo)簽文件
with open('test.txt', 'w') as f:
    for line in test_list:
        f.write(line + '')

 網(wǎng)絡(luò)設(shè)計(jì)

完成了數(shù)據(jù)收集，那么就可以開(kāi)始為手勢(shì)識(shí)別系統(tǒng)設(shè)計(jì)一個(gè)網(wǎng)絡(luò)了。由于需要在樹(shù)莓派這樣的低性能硬件上面運(yùn)行CNN，那么可以考慮從輕量級(jí)網(wǎng)絡(luò)中選擇一個(gè)來(lái)進(jìn)行優(yōu)化。例如google的mobilenet系列，efficient lite系列，曠世的shufflenet系列，華為的ghostnet等。那這些模型如何選擇呢？我之前有一篇關(guān)于這些輕量級(jí)的模型的評(píng)測(cè)，有興趣的可以去看看，《輕量網(wǎng)絡(luò)親測(cè) | 專家從7個(gè)維度全面評(píng)測(cè)輕量級(jí)網(wǎng)絡(luò)》，通過(guò)之前的評(píng)測(cè)，我發(fā)現(xiàn)shufflenetv2在精度和推理延時(shí)上面有一個(gè)很好的平衡，因此我選擇了shufflenetv2作為手勢(shì)識(shí)別系統(tǒng)的基礎(chǔ)網(wǎng)絡(luò)。直接使用shufflenetv2雖然能夠在樹(shù)莓派上較為流暢的運(yùn)行，但是還達(dá)不到實(shí)時(shí)的效果，因此需要對(duì)shufflentv2進(jìn)行一些優(yōu)化，主要是為了降低計(jì)算量，并且能夠盡量保持精度。降低計(jì)算量可以從如下幾個(gè)方面考慮：

降低shufflenet的通道系數(shù)

shufflenetv1/v2在設(shè)計(jì)之初，本身就考慮了應(yīng)用在不同的資源設(shè)備上，因此設(shè)置了一個(gè)通道系數(shù)，直接調(diào)整該通道系數(shù)，就可以獲得更小計(jì)算量的模型。然而通過(guò)實(shí)際測(cè)試，直接將通道系數(shù)從1.0x降低為0.5x，在降低計(jì)算量的同時(shí)，也會(huì)對(duì)精度損失較大。因此不采用該方案。

降低輸入分辨率

shufflenet的原始輸入分辨率為224*224，如果將分辨率降低x，那么計(jì)算量將降低x^2，因此收益很大。但是通過(guò)測(cè)試發(fā)現(xiàn)，直接將分辨率降低，對(duì)精度的影響也會(huì)很大。所以也不采用降低分辨率的方案。

裁剪shufflenetv2不重要的1*1卷積

通過(guò)觀察shufflenet的block，可以分為兩種結(jié)構(gòu)，一種是每個(gè)stage的第一個(gè)block，該block由于需要降采樣，升維度，所以對(duì)輸入直接復(fù)制成兩份，經(jīng)過(guò)branch1,和branch2之后再concat到一起，通道翻倍，如下圖中的降采樣block所示。另外一種普通的block將輸入split成兩部分，一部分經(jīng)過(guò)branch2的卷積提取特征后直接與branch1的部分進(jìn)行concat。如下圖中的普通block所示：

一般在DW卷積（depthwise卷積）的前或后使用1*1的卷積處于兩種目的，一種是融合通道間的信息，彌補(bǔ)dw卷積對(duì)通道間信息融合功能的缺失。另一種是為了降維升維，例如mobilenet v2中的inverted reddual模塊。而shufflenet中的block，在branch2中用了2個(gè)1*1卷積，實(shí)際上有一些多余，因?yàn)榇颂幉恍枰M(jìn)行升維降維的需求，那么只是為了融合dw卷積的通道間信息。實(shí)際上有一個(gè)1*1卷積就夠了。因此將上述紅色虛線框中的1*1卷積核刪除。經(jīng)過(guò)測(cè)試，精度幾乎不降低，計(jì)算量卻下降了30%。因此裁剪1*1的卷積核將是一個(gè)不錯(cuò)的方法。

加入CSP模塊

csp在大型網(wǎng)絡(luò)上取得了很大的成功。它在每個(gè)stage，將輸入split成兩部分，一部分經(jīng)過(guò)原來(lái)的路徑，另一部分直接shortcut到stage的尾部，然后concat到一起。這既降低了計(jì)算量，又豐富了梯度信息，減少了梯度的重用，是一個(gè)非常不錯(cuò)的trip。在yolov4，yolov5的目標(biāo)檢測(cè)中，也引入了csp機(jī)制，使用了csp_darknet。此處將csp引入到shufflenet中。并且對(duì)csp做了一定的精簡(jiǎn)，最終使用csp stage精簡(jiǎn)版本作為最終的網(wǎng)絡(luò)結(jié)構(gòu)。

經(jīng)過(guò)測(cè)試，網(wǎng)絡(luò)雖然能大幅降低計(jì)算量，但是精度降低的也很明顯。分析原因，主要有兩個(gè)，一是shufflenetv2本身已經(jīng)使用了在輸入通道split，然后concat的blcok流程，與csp其實(shí)是一樣的，只是csp是基于一個(gè)stage，shufflenetv2是基于一個(gè)block，另外csp本來(lái)就是在densenet這種密集連接的網(wǎng)絡(luò)上使用有比較好的效果，在輕量級(jí)網(wǎng)絡(luò)上不見(jiàn)得效果會(huì)好。

因此最終將網(wǎng)絡(luò)設(shè)計(jì)為基于shufflenetv2 1.0x，并精簡(jiǎn)了多余的1*1卷積的版本，命名為：shufflenetv2_liteconv版本。

 網(wǎng)絡(luò)訓(xùn)練

收集好了數(shù)據(jù)，并且也設(shè)計(jì)好了網(wǎng)絡(luò)，那么接下來(lái)就是訓(xùn)練了?；趐ytroch，大家可以很方便的編寫(xiě)出一個(gè)簡(jiǎn)單的訓(xùn)練流程。這里我選擇從0開(kāi)始訓(xùn)練，沒(méi)有使用shufflenet v2 1.0x的預(yù)訓(xùn)練模型，因?yàn)槲覀儗?duì)shufflenet做了優(yōu)化，刪除了很多1*1的conv，直接使用預(yù)訓(xùn)練模型會(huì)不匹配，因此從0開(kāi)始訓(xùn)練。學(xué)習(xí)率可以適當(dāng)?shù)姆糯笠恍?，epoch數(shù)目可以適當(dāng)大一些。我把我的訓(xùn)練超參貼出來(lái)，大家可以參考使用：

訓(xùn)練epoch：60

初始學(xué)習(xí)率：0.01

學(xué)習(xí)率策略：multistep（35，40）

優(yōu)化器：moment sgd

weight decay：0.0001

最終在訓(xùn)練完50個(gè)epoch之后，loss大約為0.1，測(cè)試集上面的精度為0.98。

 網(wǎng)絡(luò)部署

網(wǎng)絡(luò)部署可以采用很多開(kāi)源的推理庫(kù)。例如mnn，ncnn，tnn等。這里我選擇使用ncnn，因?yàn)閚cnn開(kāi)源的早，使用的人多，網(wǎng)絡(luò)支持，硬件支持都還不錯(cuò)，關(guān)鍵是很多問(wèn)題都能搜索到別人的經(jīng)驗(yàn)，可以少走很多彎路。但是遺憾的是ncnn并不支持直接將pytorch模型導(dǎo)入，需要先轉(zhuǎn)換成onnx格式，然后再將onnx格式導(dǎo)入到ncnn中。另外注意一點(diǎn)，將pytroch的模型到onnx之后有許多膠水op，這在ncnn中是不支持的，需要使用另外一個(gè)開(kāi)源工具：onnx-simplifier對(duì)onnx模型進(jìn)行剪裁，然后再導(dǎo)入到ncnn中。因此整個(gè)過(guò)程還有些許繁瑣，為了簡(jiǎn)單，我編寫(xiě)了從"pytorch模型->onnx模型->onnx模型精簡(jiǎn)->ncnn模型"的轉(zhuǎn)換腳本，方便大家一鍵轉(zhuǎn)換，減少中間過(guò)程出錯(cuò)。我把主要流程的代碼貼出來(lái)（詳細(xì)的代碼請(qǐng)關(guān)注公眾號(hào)"DL工程實(shí)踐"，后臺(tái)回復(fù)“手勢(shì)識(shí)別”四個(gè)字，可獲?。?/p>

# 1、pytroch模型導(dǎo)出到onnx模型
torch.onnx.export(net,input,onnx_file,verbose=DETAIL_LOG)
# 2、調(diào)用onnx-simplifier工具對(duì)onnx模型進(jìn)行精簡(jiǎn)
cmd = 'python -m onnxsim ' + str(onnx_file) + ' ' + str(onnx_sim_file)
ret = os.system(str(cmd))
# 3、調(diào)用ncnn的onnx2ncnn工具，將onnx模型準(zhǔn)換為ncnn模型
cmd = onnx2ncnn_path + ' ' + str(new_onnx_file) + ' ' + str(ncnn_param_file) + ' ' + str(ncnn_bin_file)
ret = os.system(str(cmd))
# 4、對(duì)ncnn模型加密（可選步驟）cmd = ncnn2mem_path + ' ' + str(ncnn_param_file) + ' ' + str(ncnn_bin_file) + ' ' + str(ncnn_id_file) + ' ' + str(ncnn_mem_file)
ret = os.system(str(cmd))

導(dǎo)出到ncnn模型之后，就可以在ncnn模型上運(yùn)行訓(xùn)練好的手勢(shì)識(shí)別庫(kù)。ncnn是基于C++開(kāi)發(fā)的，因此編寫(xiě)上層應(yīng)用的時(shí)候使用C++是效率最高的。我為了簡(jiǎn)單，使用python來(lái)調(diào)用ncnn的C++庫(kù)也是可以的，不過(guò)會(huì)損失一丟丟的性能，但這是值得的，人生苦短，我用python。下面這個(gè)視頻是最終部署好的手勢(shì)識(shí)別程序。

 總結(jié)

本次實(shí)踐完成了基于樹(shù)莓派的實(shí)時(shí)手勢(shì)識(shí)別，算法上并不復(fù)雜，主要是工程實(shí)踐上的一些問(wèn)題，例如數(shù)據(jù)的采集，網(wǎng)絡(luò)的優(yōu)化，以及后期的推理轉(zhuǎn)換等。實(shí)際上還有一些工作可以優(yōu)化，例如對(duì)模型的量化，對(duì)數(shù)據(jù)的增強(qiáng)。通過(guò)模型量化，可以進(jìn)一步提升運(yùn)算效率，通過(guò)數(shù)據(jù)增強(qiáng)可以彌補(bǔ)我們自己采集的數(shù)據(jù)分布單一，過(guò)擬合的風(fēng)險(xiǎn)，這些問(wèn)題就留給讀者朋友們自己去思考了。