点击上方“”，选择加""或“”
重磅干货，第一时间送达链接：https://zhuanlan.zhihu.com/p/128974102
本文转载自知乎，作者已授权，未经许可请勿再次转载。
https://urlify.cn/rURFry
实例分割在端到端阶段完成
速度快，550x550图片在TitanXP上号称达到33FPS
开源代码，pytorch大法好！
纵观整个github，无论是ncnn还是ncnn衍生品、分类、检测、定位、特征提取、OCR，风格转换...
然而，没有实例分割的例子，所以有人发送了一个例子issue，并点名要求搞个 YOLACT 实例分割 https://github.com/Tencent/ncnn/issues/1679
好吧，所以吧YOLACT例子，顺便介绍一下如何使用ncnn实现类似这种需要后处理的算法
YOLACT项目里有YOLACT 模型，速度更快，效果更好，但是YOLACT 经典骚操作对部署不友好deformable convolution
假装没看到，我们去下载YOLACT模型
新建weights下载文件夹 yolact_resnet50_54_800000.pth
根据 README 指示，先用图试试效果
$ python eval.py --trained_model=weights/yolact_resnet50_54_800000.pth --score_threshold=0.15 --top_k=15 --image=test.jpg直接修改 eval.py 的 evalimage，替换结果显示 onnx export
def evalimage(net:Yolact, path:str, save_path:str=None): frame = torch.from_numpy(cv2.imread(path)).cuda().float() batch = FastBaseTransform()(frame.unsqueeze(0)) preds = net(batch) torch.onnx._export(net, batch, "yolact.onnx", export_params=True, keep_initializers_as_inputs=True, opset_version=11)根据YOLACT issue中的信息，yolact.py开头的JIT只有关闭才能导出onnx
# As of March 10, 2019, Pytorch DataParallel still doesn't support JIT Script Modules use_jit = FalseYOLACT后处理部分写得很好 pythonic，不能直接导出，从模型中删除后处理，方便导出转换
即便onnx不建议导出后处理。
后处理部分没有标准化，每个项目作者的实现细节也不同，如各种nms和bbox计算方式，ncnn统一很难使用op实现(caffe-ssd因为只有一个版本，所以有实现)
后处理在onnx会变成一大块胶水op，非常琐碎，在框架中效率低下
onnx大部分胶水op，ncnn不支持或兼容，如Gather等，不能直接使用
因此，去除后处理导出onnx，是正确转换 pytorch ssd 类似模型的通常做法如此
打开yolact.py，找到 class Yolact 的 forward 方法，把 detect 删除过程，直接返回模型 pred_outs 输出
# return self.detect(pred_outs, self) return pred_outs;再跑一次图片测试，不包括后处理 yolact.onnx 出现了
$ python eval.py --trained_model=weights/yolact_resnet50_54_800000.pth --score_threshold=0.15 --top_k=15 --image=test.jpg直接导出的onnx模型有很多胶水op是ncnn不支持的，用onnx-simplifier是常规操作
$ pip install -U onnx --user $ pip install -U onnxruntime --user $ pip install -U onnx-simplifier --user $ python -m onnxsim yolact.onnx yolact-sim.onnx这时遇到了一个问题
Graph must be in single static assignment (SSA) form, however '523' has been used as output names multiple times经过在github翻看issue，确认这是 onnx bug
https://link.zhihu.com/?target=https://github.com/onnx/onnx/issues/2613
幸好 onnx-simplifier 已提供绕过的方法
$ python -m onnxsim --skip-fuse-bn yolact.onnx yolact-sim.onnx前面简化onnx的时候，--skip-fuse-bn 跳过了 batchnorm 合并，但没关系，ncnn 还有这个功能
ncnnoptimize 工具实现了很多种算子融合，比如常见的 convolution-batchnorm-relu 等等
最后的参数 0 表示fp32模型，65536 表示精简为fp16模型可以减少模型二进制的体积
$ ./onnx2ncnn yolact-sim.onnx yolact.param yolact.bin $ ./ncnnoptimize yolact.param yolact.bin yolact-opt.param yolact-opt.bin 0还是这句话，不报错不代表一定能用。netron工具打开param看模型结构
这个模型有四个输出，用红框框出来
Convolution Conv_263 1 1 617 619 0=32 1=1 5=1 6=8192 9=1 Permute Transpose_265 1 1 619 620 0=3 UnaryOp Tanh_400 1 1 814 815 0=16 Concat Concat_401 5 1 634 673 712 751 790 816 0=-3
Concat Concat_402 5 1 646 685 724 763 802 817 0=-3
Concat Concat_403 5 1 659 698 737 776 815 818 0=-3
Softmax Softmax_405 1 1 817 820 0=1 1=1YOLACT 的后处理需要 loc conf prior mask maskdim 这些东西
一开始看不出这几个输出对应的是什么，那么就先看shape
ncnn::Extractor ex = yolact.create_extractor();
ncnn::Mat in(550, 550, 3);
ex.input("input.1", in);
ncnn::Mat b620;
ncnn::Mat b816;
ncnn::Mat b818;
ncnn::Mat b820;
ex.extract("620", b620);// 32 x 138x138
ex.extract("816", b816);// 4 x 19248
ex.extract("818", b818);// 32 x 19248
ex.extract("820", b820);// 81 x 19248直接编译运行发现 Concat 层 crash，即图中蓝框，Concat axis 参数是负数 0=-3，ncnn 还不支持
根据 Concat 多个输入shape，发现是二维数据在 h axis concat，直接改成 0=0 就可以替代
Concat Concat_401 5 1 634 673 712 751 790 816 0=0
Concat Concat_402 5 1 646 685 724 763 802 817 0=0
Concat Concat_403 5 1 659 698 737 776 815 818 0=0b820在softmax后面，确信是 conf，shape 81x19248 表示 81分类 x 19248个prior
b816 shape 4x19248，对应于每个priorbox的bbox的偏移值
b818 shape 32x19248，根据YOLACT的后处理看，表示的是 maskdim，即32个分割热图的系数
b620 shape 32x138x138，即32个分割热图，前面有个permute层是NCHW->NHWC的转换 prior没有在模型中输出
ncnn 处理 b620 NHWC shape 不方便，改为 extract permute 前的 NCHW 数据 b619，即图中绿框输出
ncnn::Extractor ex = yolact.create_extractor();
ncnn::Mat in(550, 550, 3);
ex.input("input.1", in);
ncnn::Mat maskmaps;
ncnn::Mat location;
ncnn::Mat mask;
ncnn::Mat confidence;
ex.extract("619", maskmaps);// 138x138 x 32
ex.extract("816", location);// 4 x 19248
ex.extract("818", mask);// maskdim 32 x 19248
ex.extract("820", confidence);// 81 x 19248原始代码在 yolact.py class PredictionModule make_priors，增加一些 print 获得全部 priorbox 生成规则超参
const int conv_ws[5] = {69, 35, 18, 9, 5};
const int conv_hs[5] = {69, 35, 18, 9, 5};
const float aspect_ratios[3] = {1.f, 0.5f, 2.f};
const float scales[5] = {24.f, 48.f, 96.f, 192.f, 384.f};YOLACT的prior四个数值是 center_x center_y box_w box_h，值域 0~1
作者当初写了个bug，box_h = box_w 固定成方的了，我们也要把这个bug复现出来
// make priorbox
ncnn::Mat priorbox(4, 19248);
{
float* pb = priorbox;
for (int p = 0; p < 5; p++)
{
int conv_w = conv_ws[p];
int conv_h = conv_hs[p];
float scale = scales[p];
for (int i = 0; i < conv_h; i++)
{
for (int j = 0; j < conv_w; j++)
{
// +0.5 because priors are in center-size notation
float cx = (j + 0.5f) / conv_w;
float cy = (i + 0.5f) / conv_h;
for (int k = 0; k < 3; k++)
{
float ar = aspect_ratios[k];
ar = sqrt(ar);
float w = scale * ar / 550;
float h = scale / ar / 550;
// This is for backward compatability with a bug where I made everything square by accident
// cfg.backbone.use_square_anchors:
h = w;
pb[0] = cx;
pb[1] = cy;
pb[2] = w;
pb[3] = h;
pb += 4;
}
}
}
}
}data/config.py 有 ImageNet 的 MEAN STD，BGR顺序
# These are in BGR and are for ImageNet
MEANS = (103.94, 116.78, 123.68)
STD = (57.38, 57.12, 58.40)YOLACT实际输入RGB，要换下顺序
const int target_size = 550;
int img_w = bgr.cols;
int img_h = bgr.rows;
ncnn::Mat in = ncnn::Mat::from_pixels_resize(bgr.data, ncnn::Mat::PIXEL_BGR2RGB, img_w, img_h, target_size, target_size);
const float mean_vals[3] = {123.68f, 116.78f, 103.94f};
const float norm_vals[3] = {1.0/58.40f, 1.0/57.12f, 1.0/57.38f};
in.substract_mean_normalize(mean_vals, norm_vals);这部分和 SSD 后处理非常类似，sort nms 这些代码抠 ncnn/src/layer/detectionoutput.cpp
唯一要注意的地方就是 bbox 生成和 SSD 不一样，要用 center_x center_y box_w box_h 实现，YOLACT原代码在 layers/box_util.py decode 函数
YOLACT有fastnms方法 layers/funstions/detection.py，速度更快，可我觉得普通nms毕竟是现成代码，用着挺好的
// generate all candidates for each class
for (int i=0; i<num_priors; i++)
{
// find class id with highest score
// start from 1 to skip background
// ignore background or low score
if (label == 0 || score <= confidence_thresh)
continue;
// apply center_size to priorbox with loc
float var[4] = {0.1f, 0.1f, 0.2f, 0.2f};
float pb_cx = pb[0];
float pb_cy = pb[1];
float pb_w = pb[2];
float pb_h = pb[3];
float bbox_cx = var[0] * loc[0] * pb_w + pb_cx;
float bbox_cy = var[1] * loc[1] * pb_h + pb_cy;
float bbox_w = (float)(exp(var[2] * loc[2]) * pb_w);
float bbox_h = (float)(exp(var[3] * loc[3]) * pb_h);
float obj_x1 = bbox_cx - bbox_w * 0.5f;
float obj_y1 = bbox_cy - bbox_h * 0.5f;
float obj_x2 = bbox_cx + bbox_w * 0.5f;
float obj_y2 = bbox_cy + bbox_h * 0.5f;
// clip inside image
// append object candidate
}
// merge candidate box for each class
for (int i=0; i<(int)class_candidates.size(); i++)
{
// sort + nms
}
// sort all result by score
// keep_top_kmaskmaps 实际是 32 张 138x138 尺寸的热图，前面输出的每个 object 都自带 32 个 float 系数
object 的分割图就是每张热图 * 对应系数，求和，放大到原图尺寸，二值化，最后 crop inside 输出框
unnatrual很好看的！
噫？还有补充学习资料？
ncnn实现代码和转好的模型已上传到github
https://link.zhihu.com/?target=https%3A//github.com/Tencent/ncnn
开始面向外开放啦👇👇👇
下载1：OpenCV-Contrib扩展模块中文版教程
在「小白学视觉」公众号后台回复：扩展模块中文教程，即可下载全网第一份OpenCV扩展模块教程中文版，涵盖扩展模块安装、SFM算法、立体视觉、目标跟踪、生物视觉、超分辨率处理等二十多章内容。
下载2：Python视觉实战项目52讲
在「小白学视觉」公众号后台回复：Python视觉实战项目，即可下载包括图像分割、口罩检测、车道线检测、车辆计数、添加眼线、车牌识别、字符识别、情绪检测、文本内容提取、面部识别等31个视觉实战项目，助力快速学校计算机视觉。
下载3：OpenCV实战项目20讲
在「小白学视觉」公众号后台回复：OpenCV实战项目20讲，即可下载含有20个基于OpenCV实现20个实战项目，实现OpenCV学习进阶。
交流群
欢迎加入公众号读者群一起和同行交流，目前有SLAM、三维视觉、传感器、自动驾驶、计算摄影、检测、分割、识别、医学影像、GAN、算法竞赛等微信群（以后会逐渐细分），请扫描下面微信号加群，备注：”昵称+学校/公司+研究方向“，例如：”张三 + 上海交大 + 视觉SLAM“。请按照格式备注，否则不予通过。添加成功后会根据研究方向邀请进入相关微信群。请勿在群内发送广告，否则会请出群，谢谢理解~