这是一篇论证博客，前几天，baidu发布了PPLcnet，这是一款专门为cpu设计的网络，在看完论文后，果断进行了PPLcnet-yolo的复现，一来是想验证下这个网络在cpu上的性能，二来如果验证效果work，这套实验可以合并到自己的仓库。

PPLcnet性能：

在看论文时，对我诱惑最大的是下面这张benckmark的比较。

其实在之前，有尝试过使用mobilenetv2、mobilenetv3进行实验，但是效果并没有让我感到理想，原因也简单，在arm架构上，mb系列被shuffle系列一骑绝尘，这种优势并不是体现在精度上，事实上，它们的精度两两比较不会超过3个百分点。但是我认为侧端落地，速度和内存占用才是最关键的两个因素（前提是精度在可接受范围内），因此毫不犹豫使用shufflenetv2来做主干。

当然，并不能拿来主义，需要分析一些利弊后做取舍，比如对于yolov5s的head，如果直接嫁接，会造成部分通道冗余，这不仅仅体现在模型参数上，在多个方面都可以看到。

使用模型剪枝的方式去逼近channel最大的承载量，开展实验去验证效果，这种也算是一种半暴力解法，可以节省很多无效时间。

另一方面，shufflenetv2-yolov5模型的两个branch分支使用了大量了bn层，在部署时进行fuse，速度可以再提升15%（这个代码会在学位论文答辩后合并上去）。

在GPU架构上，Repvgg-yolov5也是如此，头变得更厚更窄，主要还是为了缩小参数和产生的计算量（C3结构的功劳），主干换成了repvgg，在训练时采取多分支特征提取，部署时又重参化成直筒网络，可以加速20%。参数和计算量分别减少了35%和10%，在精度上，Repvgg-yolov5的map@0.5提升了1.1，map@.5:0.95提升了2.2，但代价是向前推理比原先的yolov5s要多耗费1ms（测试显卡为2080Ti）。

综上，大家请叫我为调参调包外加debug狂魔，毫无创新点，但都是对于工业部署很实用的模型。

在cpu架构上，之前以及做过mbv2、mbv3的实验，精度其实和shufflev2相差不大，但结果相对于yolov5s，input size=352*352，yolov5s的精度还略高于魔改后的模型，在速度上也并没有很大的优势。

再后来PPLcnet出现，有着很强烈的欲望想试一下这个网络是否能帮助yolo在cpu上加速。

模型的结构大致如下：

最主要的组成部分时深度可分离卷积，从第一层的CBH开始（conv+bn+hardswish），中间包含了13层dw，而后面的GAP是指7*7的Global Average Pooling，GAP后面再加point conv+FC+hardswish组件，最后是输出为1000的FC层，想要了解更详细的可以查看论文：

https://arxiv.org/pdf/2109.15099.pdf

整篇论文可以归纳关于PPLcnet的四个重要结论：

• H-Swish与大卷积核可以提升模型性能且不会造成较大的推理损耗（下看Table9）；

• 在网络的下层添加少量的SE模块可以更进一步提升模型性能且不会产生过多的损耗（实际上Lcnet仅仅这是在最后两层添加注意力，但是提升效果明显）；

• GAP后采用更大FC层可以极大提升模型性能（但也会让模型参数和计算量暴涨）；

• dropout技术可以进一步提升了模型的精度

  在这里插入图片描述

PPLcnet-yolo：

下图是融合了PPLcnet的YOLOv5，与原先的Lcnet不同的是，此处的层数有所改变，不仅如此，YOLOv5s head中的3*3卷积也替换成了Lc_Block，并且使用了SE module，我们进行逐层分析：

1. 层数改变

如上图，CBH通道数翻倍，抽掉了两个channel为256的DSC 33卷积层，替换成两个DSC 55层（无SE Module），并且最后的四个DSC层都含有SE模块，总的层数仅增加了3层，SE Module由原来的2层变成了4层（后4层），但是精度提升巨大，这点借鉴shufflev2的【2，4，8，4】偶数倍层数，有兴趣可以看下这篇论文，很有工程意义。

2. Dense Layer

Dense Layer本质还是GAP+FC，实验发现，添加FC层精度能提升4个点左右，但会导致模型参数的暴涨，影响推理速度，故剔除掉了所有的FC层，仅留下point conv和dropout：

class Dense(nn.Module):
    def __init__(self, c1, c2, filter_size, dropout_prob=0.2):
        super().__init__()
        self.avg_pool = nn.AdaptiveAvgPool2d(1)
        self.dense_conv = nn.Conv2d(
            in_channels=c1,
            out_channels=c2,
            kernel_size=filter_size,
            stride=1,
            padding=0,
            bias=False)
        self.hardswish = nn.Hardswish()
        self.dropout = nn.Dropout(p=dropout_prob)
        self.flatten = nn.Flatten(start_dim=1, end_dim=-1)
        self.fc = nn.Linear(num_filters, num_filters)
    
    def forward(self, x):
        x = self.avg_pool(x)
        b, _, w, h = x.shape
        x = self.dense_conv(x)
        x = self.hardswish(x)
        x = self.dropout(x)
        x = self.flatten(x)
        x = self.fc(x)
        x = x.reshape(b, self.c2, w, h)
        return x

3. headPPLcnet已经验证了在末端替换少量55卷积可以起到涨点的作用，因此也将原yolov5s head的33卷积换成Lc Block，但因为Lc Block本质还是深度可分离卷积，即使使用了55的卷积核，融合了SE module，参数量依旧比原先的33卷积少一半，实验发现可以涨点，产生的参数量也很少，个人觉得性价比特别高

# YOLOv5s head：
Model Summary: 297 layers, 4982390 parameters, 4982390 gradients, 9.4 GFLOPS
# YOLOv5s head with Lc_Block：
Model Summary: 307 layers, 4376531 parameters, 4376531 gradients, 8.6 GFLOPS
# YOLOv5s head with Lc_Block and SE Module：
Model Summary: 319 layers, 4378838 parameters, 4378838 gradients, 8.6 GFLOPS

还要一些小组件的改动，比如SE module的Hard sigmoid替换成Silu，能涨点还能提速（这点跟着v5大神走），另外一个是避免onnx没有h-sigmoid这个算子，需要重构算子（这个重构会造成精度些许下降，所以替换激活函数是最省心的工作）。

4. 性能

模型复现后性能如下：

在map@0.5和map@0.5:0.95上都比原yolov5s少三个点左右，参数量和计算量少了一倍左右。

然而，上面的都不是重点，我认为最重要的还是性能，于是使用PPLcnet和yolov5s在openvino进行评测，测试硬件为Inter Core @i5-10210。

首先提取onnx模型：

$ python models/export.py --weights PPLcnet.pt --img 640 --batch 1
$ python -m onnxsim PPLcnet.onnx PPLcnet-sim.onnx

接着将PPLcnet-sim.onnx转化为IR模型：

$ python mo.py --input_model PPLcnet-yolo.onnx -s 255 --data_type FP16  --reverse_input_channels --output Conv_462,Conv_478,Conv_494

同理，yolov5s也是一样

$ python models/export.py --weights yolov5s.pt --img 640 --batch 1
$ python -m onnxsim yolov5s.onnx yolov5s-sim.onnx
$ python mo.py --input_model PPLcnet-yolo.onnx -s 255 --data_type FP16  --reverse_input_channels --output Conv_245,Conv_261,Conv_277

此时，我们可以得到四个模型：

模型对比：

而后进行测试，总50张图片，For循环进行1000次向前推理，计算每张图片平均耗时：

通过测试可以看到，input size=640*640，PPLcnet的一次先前推理比原yolov5s快3倍左右,部分样例视图.

PPLcnet-yolo Forward Example:

YOLOv5s Forward Example:

留言：

后续会将复现的实验及代码合并到主分支：

https://github.com/ppogg/YOLOv5-Lite

欢迎大家白嫖，有问题可以提issue，会尽快解决。

另外，这个是为cpu设计的模型，请使用openvino或者其他cpu向前推理框架进行部署和评测！！！

YOLOv5 6.0版本来了

重头戏来了，昨天看到YOLOv5发布了第六版：

模型性能有所改观：

依旧是没有创新点，但是工程价值有突破，体现在计算资源和推理耗时方面。

另外，我觉得最主要的亮点有三个，YOLOv5-Nano对移动设备的适配，Focus层的变化，SPP的改动：

1. YOLOv5-Nano的性能：

之前在侧端设备上测试了带有focus层的量化版yolov5s模型，发现这玩意很容易崩，对于小模型的话，v5大神是直接替换掉，可能是出于稳定性的考虑，毕竟conv3*3卷积在不同框架上的优化已经非常成熟了，对于大部分小模型，本身模型的参数和运行时产生的计算量并不多，使用focus也很难起到降参降计算量的作用，量化时还能更稳定一些。

2. Focus层的改变：

3. SPP→SPPF：

By the way！！！v4大牛，v5大神，还要Scale Yolov4的作者，三人在社区上被称为commit狂魔，有段时间天天看到他们几个在update，这种匠人精神着实令人佩服。。