前言
因為最近在和計算棒打交道，自然存在一個模型轉換問題，如果說YOLOv3或者YOLOV3-tiny怎么進一步壓縮，我想大多數人都會想到將標準卷積改為深度可分離卷積結構？而當前很多人都是基于DarkNet框架訓練目標檢測模型，并且github也有開源一個Darknet轉到OpenVINO推理框架的工具，地址見附錄。而要說明的是，github上的開源工具只是支持了原生的YOLOv3和YOLOV3-tiny模型轉到tensorflow的pb模型，然后再由pb模型轉換到IR模型執行在神經棒的推理。因此，我寫了一個腳本可以將帶深度可分離卷積的YOLOv3或YOLOV3-tiny轉換到pb模型并轉換到IR模型，且測試無誤。就奉獻一下啦。
項目配置
- Tensorflow 1.8.0
- python3
工具搭建
此工具基于github上mystic123的darknet模型轉pb模型的工具tensorflow-yolo-v3，具體見附錄。我這里以修改一下YOLOV3-tiny里面的有1024個通道的標準卷積為深度可分離卷積為例來介紹。下圖是YOLOv3-tiny的網絡結構，我們考慮如何把1024個通道的標準卷積改造成深度可分離卷積的形式即可。其他卷積類似操作即可。
在這里插入圖片描述
- 步驟一：修改YOLOv3-tiny的cfg文件，
1024個輸出通道的卷積層輸入通道數512，卷積核尺寸為3x3，因此對應到深度可分離卷積的結構就是[512,512,3,3]的分組卷積核[512,1024,1,1]的點卷積(也是標準的1x1)卷積。所以我們將1024個輸出通道的卷積層替換為這兩個層即可，這里使用AlexAB版本的Darknet進行訓練，鏈接也在附錄，注意要使用groups分組卷積這個參數，需要用cudnn7以上的版本編譯DarkNet。然后我們修改cfg文件夾下面的yolov3-tiny.cfg，把其中的1024通道的卷積換成深度可分離卷積，如下圖所示。注意是groups而不是group。
在這里插入圖片描述
- 步驟二：訓練好模型，并使用DarkNet測試一下模型是否表現正常。
- 步驟三：克隆
tensorflow-yolo-v3工程，鏈接見附錄。 - 步驟四：用我的工具轉換訓練出來的
darknet模型到tensorflow的pb模型，這一步驟的具體操作為用下面我提供的腳本替換一下tensorflow-yolo-v3工程中的yolov3-tiny.py即可，注意是全部替換。我的腳本具體代碼如下：
# -*- coding: utf-8 -*-
import numpy as np
import tensorflow as tf
from yolo_v3 import _conv2d_fixed_padding, _fixed_padding, _get_size, \
_detection_layer, _upsample
slim = tf.contrib.slim
_BATCH_NORM_DECAY = 0.9
_BATCH_NORM_EPSILON = 1e-05
_LEAKY_RELU = 0.1
_ANCHORS = [(10, 14), (23, 27), (37, 58),
(81, 82), (135, 169), (344, 319)]
def yolo_v3_tiny(inputs, num_classes, is_training=False, data_format='NCHW', reuse=False):
"""
Creates YOLO v3 tiny model.
:param inputs: a 4-D tensor of size [batch_size, height, width, channels].
Dimension batch_size may be undefined. The channel order is RGB.
:param num_classes: number of predicted classes.
:param is_training: whether is training or not.
:param data_format: data format NCHW or NHWC.
:param reuse: whether or not the network and its variables should be reused.
:return:
"""
# it will be needed later on
img_size = inputs.get_shape().as_list()[1:3]
# transpose the inputs to NCHW
if data_format == 'NCHW':
inputs = tf.transpose(inputs, [0, 3, 1, 2])
# normalize values to range [0..1]
inputs = inputs / 255
# set batch norm params
batch_norm_params = {
'decay': _BATCH_NORM_DECAY,
'epsilon': _BATCH_NORM_EPSILON,
'scale': True,
'is_training': is_training,
'fused': None, # Use fused batch norm if possible.
}
with tf.variable_scope('yolo-v3-tiny'):
for i in range(6):
inputs = slim.conv2d(inputs, 16 * pow(2, i), 3, 1, padding='SAME', biases_initializer=None,
activation_fn=lambda x: tf.nn.leaky_relu(x, alpha=_LEAKY_RELU),
normalizer_fn=slim.batch_norm, normalizer_params=batch_norm_params)
if i == 4:
route_1 = inputs
if i == 5:
inputs = slim.max_pool2d(
inputs, [2, 2], stride=1, padding="SAME", scope='pool2')
else:
inputs = slim.max_pool2d(
inputs, [2, 2], scope='pool2')
# inputs = _conv2d_fixed_padding(inputs, 1024, 3)
inputs = slim.separable_conv2d(inputs, num_outputs=None, kernel_size=3, depth_multiplier=1, stride=1, biases_initializer=None,
activation_fn=lambda x: tf.nn.leaky_relu(x, alpha=_LEAKY_RELU),
normalizer_fn=slim.batch_norm, normalizer_params=batch_norm_params,
padding='SAME')
inputs = slim.conv2d(inputs, 1024, 1, 1, biases_initializer=None,
activation_fn=lambda x: tf.nn.leaky_relu(x, alpha=_LEAKY_RELU),
normalizer_fn=slim.batch_norm, normalizer_params=batch_norm_params, padding='VALID')
inputs = slim.conv2d(inputs, 256, 1, 1, padding='SAME', biases_initializer=None,
activation_fn=lambda x: tf.nn.leaky_relu(x, alpha=_LEAKY_RELU),
normalizer_fn=slim.batch_norm, normalizer_params=batch_norm_params)
route_2 = inputs
inputs = slim.conv2d(inputs, 512, 3, 1, padding='SAME', biases_initializer=None,
activation_fn=lambda x: tf.nn.leaky_relu(x, alpha=_LEAKY_RELU),
normalizer_fn=slim.batch_norm, normalizer_params=batch_norm_params)
# inputs = _conv2d_fixed_padding(inputs, 255, 1)
detect_1 = _detection_layer(
inputs, num_classes, _ANCHORS[3:6], img_size, data_format)
detect_1 = tf.identity(detect_1, name='detect_1')
inputs = slim.conv2d(route_2, 128, 1, 1, padding='SAME', biases_initializer=None,
activation_fn=lambda x: tf.nn.leaky_relu(x, alpha=_LEAKY_RELU),
normalizer_fn=slim.batch_norm, normalizer_params=batch_norm_params)
upsample_size = route_1.get_shape().as_list()
inputs = _upsample(inputs, upsample_size, data_format)
inputs = tf.concat([inputs, route_1],
axis=1 if data_format == 'NCHW' else 3)
inputs = slim.conv2d(inputs, 256, 3, 1, padding='SAME', biases_initializer=None,
activation_fn=lambda x: tf.nn.leaky_relu(x, alpha=_LEAKY_RELU),
normalizer_fn=slim.batch_norm, normalizer_params=batch_norm_params)
# inputs = _conv2d_fixed_padding(inputs, 255, 1)
detect_2 = _detection_layer(
inputs, num_classes, _ANCHORS[0:3], img_size, data_format)
detect_2 = tf.identity(detect_2, name='detect_2')
detections = tf.concat([detect_1, detect_2], axis=1)
detections = tf.identity(detections, name='detections')
return detections
可以看到我仍然使用了tensorflow的slim模塊搭建整個框架，和原始的yolov3-tiny的區別就在：
# inputs = _conv2d_fixed_padding(inputs, 1024, 3)
inputs = slim.separable_conv2d(inputs, num_outputs=None, kernel_size=3, depth_multiplier=1, stride=1, biases_initializer=None,
activation_fn=lambda x: tf.nn.leaky_relu(x, alpha=_LEAKY_RELU),
normalizer_fn=slim.batch_norm, normalizer_params=batch_norm_params,
padding='SAME')
inputs = slim.conv2d(inputs, 1024, 1, 1, biases_initializer=None,
activation_fn=lambda x: tf.nn.leaky_relu(x, alpha=_LEAKY_RELU),
normalizer_fn=slim.batch_norm, normalizer_params=batch_norm_params, padding='VALID')
需要進一步注意的是slim.separable_conv2d深度可分離卷積的參數傳遞方式，我們來看一下這個函數的參數列表：
def separable_convolution2d(
inputs,
num_outputs,
kernel_size,
depth_multiplier=1,
stride=1,
padding='SAME',
data_format=DATA_FORMAT_NHWC,
rate=1,
activation_fn=nn.relu,
normalizer_fn=None,
normalizer_params=None,
weights_initializer=initializers.xavier_initializer(),
pointwise_initializer=None,
weights_regularizer=None,
biases_initializer=init_ops.zeros_initializer(),
biases_regularizer=None,
reuse=None,
variables_collections=None,
outputs_collections=None,
trainable=True,
scope=None):
"""一個2維的可分離卷積，可以選擇是否增加BN層。
這個操作首先執行逐通道的卷積（每個通道分別執行卷積），創建一個稱為depthwise_weights的變量。如果num_outputs
不為空，它將增加一個pointwise的卷積（混合通道間的信息），創建一個稱為pointwise_weights的變量。如果
normalizer_fn為空，它將給結果加上一個偏置，并且創建一個為biases的變量，如果不為空，那么歸一化函數將被調用。
最后再調用一個激活函數然后得到最終的結果。
Args:
inputs: 一個形狀為[batch_size, height, width, channels]的tensor
num_outputs: pointwise 卷積的卷積核個數，如果為空，將跳過pointwise卷積的步驟.
kernel_size: 卷積核的尺寸：[kernel_height, kernel_width]，如果兩個的值相同，則可以為一個整數。
depth_multiplier: 卷積乘子，即每個輸入通道經過卷積后的輸出通道數。總共的輸出通道數將為：
num_filters_in * depth_multiplier。
stride:卷積步長，[stride_height, stride_width],如果兩個值相同的話，為一個整數值。
padding: 填充方式，'VALID' 或者 'SAME'.
data_format:數據格式， `NHWC` (默認) 和 `NCHW`
rate: 空洞卷積的膨脹率：[rate_height, rate_width],如果兩個值相同的話，可以為整數值。如果這兩個值
任意一個大于1，那么stride的值必須為1.
activation_fn: 激活函數，默認為ReLU。如果設置為None，將跳過。
normalizer_fn: 歸一化函數，用來替代biase。如果歸一化函數不為空，那么biases_initializer
和biases_regularizer將被忽略。 biases將不會被創建。如果設為None，將不會有歸一化。
normalizer_params: 歸一化函數的參數。
weights_initializer: depthwise卷積的權重初始化器
pointwise_initializer: pointwise卷積的權重初始化器。如果設為None，將使用weights_initializer。
weights_regularizer: (可選)權重正則化器。
biases_initializer: 偏置初始化器，如果為None，將跳過偏置。
biases_regularizer: (可選)偏置正則化器。
reuse: 網絡層和它的變量是否可以被重用，為了重用，網絡層的scope必須被提供。
variables_collections: (可選)所有變量的collection列表，或者是一個關鍵字為變量值為collection的字典。
outputs_collections: 輸出被添加的collection.
trainable: 變量是否可以被訓練
scope: (可選)變量的命名空間。
Returns:
代表這個操作的輸出的一個tensor
- 步驟四：執行下面的模型轉換命令，就可以把帶深度可分離卷積的
yolov3-tiny模型轉到tensorflow的pb模型了。
python3 convert_weights_pb.py \
--class_names coco.names \
--weights_file weights/yolov3-tiny.weights \
--data_format NHWC \
--tiny \
--output_graph pbmodels/frozen_tiny_yolo_v3.pb
- 步驟五：接下來就是把
pb模型轉為IR模型，在Intel神經棒上進行推理，這一部分之前的推文已經詳細說過了，這里就不再贅述了。想詳細了解請看之前的推文，地址如下：YOLOv3-tiny在VS2015上使用Openvino部署 。
測試結果
將1024個輸出通道的卷積核替換為深度可分離卷積之后，模型從34M壓縮到了18M，并且在我的數據集上精度沒有顯著下降(這個需要自己評判了，因為我的數據自然是沒有VOC或者COCO數據集那么復雜的)，并且速度也獲得了提升。
后記
這個工具可以為大家提供了一個花式將Darknet轉換為pb模型的一個BaseLine，DarkNet下面的MobileNet-YOLO自然比Caffe的MobileNet-YOLO更容易獲得，因為動手改幾個groups參數就可以啦。所以我覺得這件事對于使用DarkNet同時玩一下計算棒的同學是有一點意義的，我把我修改后的工程放在github了，地址見附錄。
附錄
原始的darknet轉pb模型工程：https://github.com/mystic123/tensorflow-yolo-v3
支持深度可分離卷積的darknet轉pb模型工程：https://github.com/BBuf/cv_tools
AlexAB版Darknet：https://github.com/AlexeyAB/darknet
歡迎關注我的微信公眾號GiantPandaCV，期待和你一起交流機器學習，深度學習，圖像算法，優化技術，比賽及日常生活等。
圖片.png
