計算機視覺(jué)研究院手把手教你深度學(xué)習的部署

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)現一個(gè)實(shí)時(shí)的手勢識別。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)，一是手勢數據的采集。大家都知道，深度學(xué)習的高精度離不開(kāi)大量的訓練數據，網(wǎng)絡(luò )設計的再好，沒(méi)有足夠的數據是不行的。

因此要想實(shí)現一個(gè)好的手勢識別，采集數據就成了一個(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)現實(shí)時(shí)的識別。樹(shù)莓派實(shí)際上是一個(gè)使用arm作為處理器的linux系統，但是由于芯片的性能不是很強，比我們使用的手機要弱很多，并且樹(shù)莓派目前對vulkan的支持并不好，無(wú)法使用vulkan加速，因此對網(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)現一套實(shí)時(shí)的手勢識別。

由于手勢的類(lèi)型非常多，有識別數字的，識別字母的，識別動(dòng)作的，這里為了拋磚引玉，設計一個(gè)相對簡(jiǎn)單的識別"剪刀，石頭，布"的手勢識別系統，后續可以用來(lái)制作一個(gè)剪刀石頭布的對戰機器人。想要實(shí)現其他類(lèi)型的手勢識別，也完全可以按照這個(gè)流程來(lái)做。

 數據采集

對于數據采集，首先看看有沒(méi)有開(kāi)源的手勢識別數據集。很遺憾，除了收費的手勢識別數據集，基本上都是一些不太完整的手勢識別數據集。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據采集工具。這里我設計了一款數據采集工具（后臺回復“手勢識別”即獲?。?。大家也可以根據自己的需要開(kāi)發(fā)自己的數據采集工具。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)順手的數據采集工具。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。我設計的這個(gè)界面非常簡(jiǎn)潔，如下圖所示：

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

我把剪刀的標簽設置為0，石頭的標簽設置為1，布的標簽設置為2，最終通過(guò)該數據收集工具就收集到了三個(gè)文件夾：

接下來(lái)需要為訓練數據創(chuàng )建標簽文本。這里我將所有圖片的80%作為訓練數據數據集，剩余的20%作為驗證數據集。使用python腳本很容易實(shí)現自動(dòng)創(chuàng )建標簽文件的腳本，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))        
#對列表進(jìn)行shuffle操作
random.shuffle(label_list) 
count = len(label_list)
# 80%作為訓練數據集
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標簽文件
with open('train.txt', 'w') as f:
    for line in train_list:
        f.write(line + '')
# 寫(xiě)入test.txt標簽文件
with open('test.txt', 'w') as f:
    for line in test_list:
        f.write(line + '')

 網(wǎng)絡(luò )設計

完成了數據收集，那么就可以開(kāi)始為手勢識別系統設計一個(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行CNN，那么可以考慮從輕量級網(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)于這些輕量級的模型的評測，有興趣的可以去看看，《輕量網(wǎng)絡(luò )親測 | 專(zhuān)家從7個(gè)維度全面評測輕量級網(wǎng)絡(luò )》，通過(guò)之前的評測，我發(fā)現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作為手勢識別系統的基礎網(wǎng)絡(luò )。直接使用shufflenetv2雖然能夠在樹(shù)莓派上較為流暢的運行，但是還達不到實(shí)時(shí)的效果，因此需要對shufflentv2進(jìn)行一些優(yōu)化，主要是為了降低計算量，并且能夠盡量保持精度。降低計算量可以從如下幾個(gè)方面考慮：

降低shufflenet的通道系數

shufflenetv1/v2在設計之初，本身就考慮了應用在不同的資源設備上，因此設置了一個(gè)通道系數，直接調整該通道系數，就可以獲得更小計算量的模型。然而通過(guò)實(shí)際測試，直接將通道系數從1.0x降低為0.5x，在降低計算量的同時(shí)，也會(huì )對精度損失較大。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，那么計算量將降低x^2，因此收益很大。但是通過(guò)測試發(fā)現，直接將分辨率降低，對精度的影響也會(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(guān)察shufflenet的block，可以分為兩種結構，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，所以對輸入直接復制成兩份，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dw卷積對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，因為此處不需要進(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(xiàn)框中的1*1卷積核刪除。經(jīng)過(guò)測試，精度幾乎不降低，計算量卻下降了30%。因此裁剪1*1的卷積核將是一個(gè)不錯的方法。

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)非常不錯的trip。在yolov4，yolov5的目標檢測中，也引入了csp機制，使用了csp_darknet。此處將csp引入到shufflenet中。并且對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 )結構。

經(jīng)過(guò)測試，網(wǎng)絡(luò )雖然能大幅降低計算量，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，在輕量級網(wǎng)絡(luò )上不見(jiàn)得效果會(huì )好。

因此最終將網(wǎng)絡(luò )設計為基于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 )訓練

收集好了數據，并且也設計好了網(wǎng)絡(luò )，那么接下來(lái)就是訓練了?；趐ytroch，大家可以很方便的編寫(xiě)出一個(gè)簡(jiǎn)單的訓練流程。這里我選擇從0開(kāi)始訓練，沒(méi)有使用shufflenet v2 1.0x的預訓練模型，因為我們對shufflenet做了優(yōu)化，刪除了很多1*1的conv，直接使用預訓練模型會(huì )不匹配，因此從0開(kāi)始訓練。學(xué)習率可以適當的放大一些，epoch數目可以適當大一些。我把我的訓練超參貼出來(lái)，大家可以參考使用：

訓練epoch：60

初始學(xué)習率：0.01

學(xué)習率策略：multistep（35，40）

優(yōu)化器：moment sgd

weight decay：0.0001

最終在訓練完50個(gè)epoch之后，loss大約為0.1，測試集上面的精度為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。例如mnn，ncnn，tnn等。這里我選擇使用ncnn，因為ncnn開(kāi)源的早，使用的人多，網(wǎng)絡(luò )支持，硬件支持都還不錯，關(guān)鍵是很多問(wèn)題都能搜索到別人的經(jīng)驗，可以少走很多彎路。但是遺憾的是ncnn并不支持直接將pytorch模型導入，需要先轉換成onnx格式，然后再將onnx格式導入到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onnx模型進(jìn)行剪裁，然后再導入到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"的轉換腳本，方便大家一鍵轉換，減少中間過(guò)程出錯。我把主要流程的代碼貼出來(lái)（詳細的代碼請關(guān)注公眾號"DL工程實(shí)踐"，后臺回復“手勢識別”四個(gè)字，可獲?。?/p>

# 1、pytroch模型導出到onnx模型
torch.onnx.export(net,input,onnx_file,verbose=DETAIL_LOG)
# 2、調用onnx-simplifier工具對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、調用ncnn的onnx2ncnn工具，將onnx模型準換為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))

導出到ncnn模型之后，就可以在ncnn模型上運行訓練好的手勢識別庫。ncnn是基于C++開(kāi)發(fā)的，因此編寫(xiě)上層應用的時(shí)候使用C++是效率最高的。我為了簡(jiǎn)單，使用python來(lái)調用ncnn的C++庫也是可以的，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識別程序。

 總結

本次實(shí)踐完成了基于樹(shù)莓派的實(shí)時(shí)手勢識別，算法上并不復雜，主要是工程實(shí)踐上的一些問(wèn)題，例如數據的采集，網(wǎng)絡(luò )的優(yōu)化，以及后期的推理轉換等。實(shí)際上還有一些工作可以?xún)?yōu)化，例如對模型的量化，對數據的增強。通過(guò)模型量化，可以進(jìn)一步提升運算效率，通過(guò)數據增強可以彌補我們自己采集的數據分布單一，過(guò)擬合的風(fēng)險，這些問(wèn)題就留給讀者朋友們自己去思考了。