写点什么

地平线 bev_cft_efficientnetb3 参考算法 -v1.2.1

  • 2024-11-24
    广东
  • 本文字数:12168 字

    阅读完需:约 40 分钟

地平线 bev_cft_efficientnetb3 参考算法-v1.2.1

01 概述

在自动驾驶感知算法中 BEV 感知成为热点话题,BEV 感知可以弥补 2D 感知的缺陷构建 3D “世界”,更有利于下游任务和特征融合。


地平线集成了基于 bev 的纯视觉算法,目前已支持 ipm-based 、lss-based、 transformer-based(Geometry-guided Kernel Transformer、detr3d、petr) 的多种 bev 视觉转换方法。


本文为 camera calibration free 的 transformer-based 的 BEV 感知算法的介绍和使用说明。


该示例为参考算法,仅作为在 征程 5 上模型部署的设计参考,非量产算法

02 性能精度指标

模型配置:



性能精度表现:



注:Nuscenes 数据集官方介绍:Nuscenes

03 模型介绍

3.1 模型框架


bev_cft 模型结构图


bev_cft 使用多视图的当前帧的 6 个 RGB 图像作为输入。输出是目标的 3D Box 结果。多视角图像首先使用 2D 主干获取 2D 特征。然后投影到 3D BEV 视角。接着对 BEV feature 编码获取深层 BEV 特征。最后,接上任务特定的 head,输出检测结果。


模型主要包括以下部分:


  • Part1—2D Image Encoder:图像特征提取层。使用 2D 主干网络(efficientnet)和 FastSCNN 输出不同分辨率的特征图。返回最后一层–上采样至 1/128 原图大小层,用于下一步投影至 3D 坐标系中。

  • Part2—View transformer:采用 CFT 方式完成 img 2D 到 BEV 3D 的转换。

  • Part3—Bev transforms:对 BEV 特征做数据增强,仅发生在训练阶段。

  • Part4—3D BEV Encoder:BEV 特征提取层。

  • Part5—BEV Decoder

  • 使用 DepthwiseSeparableCenterPointHead 进行 3D 目标检测任务,检测的类别为 [“car”,“truck”,“bus”,“barrier”,“bicycle”,“pedestrian”]。

3.2 源码说明

config 文件

**configs/bev/bev_cft_efficientnetb3_nuscenes.py** 为该模型的配置文件,定义了模型结构、数据集加载,和整套训练流程,所需参数的说明在算子定义中会给出。


配置文件主要内容包括:


#基础参数配置task_name = "bev_cft_efficientnetb3_nuscenes"batch_size_per_gpu = 2device_ids = [0]#bev参数配置resize_shape = (3, 792, 1408)data_shape = (3, 512, 1408)grid_size = (64, 64)
# 模型结构定义model = dict( type="ViewFusion", backbone=dict( type="efficientnet", model_type="b3", ... ), neck=dict( type="BiFPN", ... ), view_transformer=dict( type="CFTTransformer", #cft transform ... ), bev_transforms=[...], bev_encoder=dict( type="BevEncoder", ... ), bev_decoders=[ dict( type="BevDetDecoder", ... ],)
deploy_model = dict(...)...# 数据加载 data_loader = dict( type=torch.utils.data.DataLoader, ...)
val_data_loader = dict(...)
#不同step的训练策略配置float_trainer=dict(...)calibration_trainer=dict(...)qat_trainer=dict(...)int_infer_trainer=dict(...)#不同step的验证float_predictor=dict(...)calibration_predictor=dict(...)qat_predictor=dict(...)int_infer_predictor=dict(...)#编译配置compile_cfg = dict( march=march, ...)
复制代码


注:如果需要复现精度,config 中的训练策略最好不要修改。否则可能会有意外的训练情况出现。


img_encoder

来自 6 个 view 的 image 作为输入通过共享的 backbone(efficientnet-b3)和 neck(BiFPN)输出经过 encoder 后的 feature,feature_shape 为(6*B,C,1/128H,1/128W)。


encoder 即对多个 view 的 img_feature 做特征提取,过程见下图:



对应代码:**hat/models/backbones/efficientnet.py** hat/models/necks/bifpn.py


view_transformer

view_transformer 采用 CFT(camera free transformer)映射的方法,把图像视角的 img_features 转换到 bev_features。


BEV_shape 为[H’,W’]为[64,64],其转换过程见下图:



cft 框架图


view_transformer 对应代码:


**hat/models/task_modules/view_fusion/cft_transformer.pyCFTTransformer**。


class CFTTransformer(ViewTransformer):    ...    def forward(self, feats: Tensor, data: Tensor,...):        query_pos, key_pos, ref_h_embed, ref_h = self._position_embed(feats)
bs = feats.shape[0] // self.num_views key_pos = key_pos.repeat(bs, 1, 1, 1) tgt = ( self.query_embed.weight.view( self.grid_size[0], self.grid_size[1], -1 ) .repeat(bs, 1, 1, 1) .permute(0, 3, 1, 2) .contiguous() )
key_pos = self.key_pos_quant(key_pos) feats = self.encoder(feats, pos=key_pos) tgt = self.tgt_quant(tgt) query_pos = self.query_pos_quant(query_pos) ref_h_embed = self.ref_h_quant(ref_h_embed) feats = self.decoder( feats, tgt=tgt, query_pos=query_pos, key_pos=key_pos, ref_h_embed=ref_h_embed, ) return feats, ref_h
复制代码


根据框架图,在 view_transformer 流程中可以分为两部分:


  • position-Aware Enhancement:对位置编码进行强化,对 BEV 2D 和 content 编码,并通过 PA 网络实现特征增强

  • view-Aware Attention:对图像融合坐标位置编码,增强特征


position-Aware Enhancement

Step 1 : postition_embedding


该部分为 BEV 2D 坐标的编码,编码为可学习、参数可更新的**PositionEmbeddingLearned2D**。


class PositionEmbeddingLearned2D(nn.Module):    ...    def forward(self, patch: Tensor) -> Tensor:        """        Forward pass of the PositionEmbeddingLearned2D module.
Args: patch: Input tensor.
Returns: pos: Output tensor. """ hw, _ = patch.shape hw = torch.tensor(hw) h = w = torch.sqrt(hw).int() i = torch.arange(h, device=patch.device) j = torch.arange(w, device=patch.device) x_emb = self. col_embed(i) y_emb = self.row_embed(j) pos = x_emb.unsqueeze(1).repeat(1, w, 1) + y_emb.unsqueeze(0).repeat( h, 1, 1 ) return pos.permute(2, 0, 1).contiguous().unsqueeze(0)
复制代码


Step 2 : reference height embedding


该步骤为对高度 reference height 的编码。根据位置编码 query_pos 来做高度的预测 ref_h ,然后对高度 ref_h 做正弦函数编码。计算公式为:



对应代码为:


def _position_embed(        self, feats: Tensor    ) -> Tuple[Tensor, Tensor, Tensor, Tensor]:        ...                height_range = [self.position_range[2], self.position_range[5]]        ref_h = self.ref_h_head(query_pos)        ref_h = (            ref_h.sigmoid() * (height_range[1] - height_range[0])            + height_range[0]        )        ref_h_embed = gen_sineembed_for_position(            ref_h, height_range, self.embed_dims        )
复制代码


ref_h_head 为一个输出 channel 为 1 的 mlp:


self.ref_h_head = MLP(            input_channels=embed_dims,            output_channels=1,            feedforward_channels=embed_dims,        )
复制代码


**gen_sineembed_for_position实现在hat/models/task_modules/view_fusion/cft_transformer.py**。


Step 3:结合 BEV 的 content query,细化目标的 height



为了细化高度,引入 BEV 的 content 来提取目标的高度信息:



BEV 的 content 为预设的 query。num_query 为 bevsize 大小。


num_queries = self.grid_size[0] * self.grid_size[1]self.query_embed = nn.Embedding(num_queries, self.embed_dims)
tgt = ( self.query_embed.weight.view( self.grid_size[0], self.grid_size[1], -1 ) .repeat(bs, 1, 1, 1) .permute(0, 3, 1, 2) .contiguous())
复制代码


Content query 经过 MLP 后与 Ref_h 做 mul,然后与 query_pos 做 add。代码:


class Decoder(nn.Module):    ...    def forward(        self,        x: Tensor,        tgt: Tensor,        query_pos: Tensor,        key_pos: Tensor,        ref_h_embed: Tensor,    ) -> Tensor:        ...        for i, decoder in enumerate(self.decoders):            if i > 0:                pos_transformation = self.query_trans_pos(tgt)                ref_h_embed = self.mul.mul(ref_h_embed, pos_transformation)            ref_h_embed = ref_h_embed + query_pos            tgt = decoder(                x,                tgt=tgt,                query_pos=query_pos,                key_pos=key_pos,                ref_h_embed=ref_h_embed,            )        return tgtclass Decoder(nn.Module):    ...    def forward(        self,        x: Tensor,        tgt: Tensor,        query_pos: Tensor,        key_pos: Tensor,        ref_h_embed: Tensor,    ) -> Tensor:        ...        for i, decoder in enumerate(self.decoders):            if i > 0:                pos_transformation = self.query_trans_pos(tgt)                ref_h_embed = self.mul.mul(ref_h_embed, pos_transformation)            ref_h_embed = ref_h_embed + query_pos            tgt = decoder(                x,                tgt=tgt,                query_pos=query_pos,                key_pos=key_pos,                ref_h_embed=ref_h_embed,            )        return tgt
复制代码
view-Aware Attention

该层对图像做 encoder。融合 position 经过一个 self-attention 模块做特征增强。


class CFTTransformer(ViewTransformer):    ...    def forward(self, feats: Tensor, data: Tensor,...):        ...         query_pos, key_pos, ref_h_embed, ref_h = self._position_embed(feats)        bs = feats.shape[0] // self.num_views        key_pos = key_pos.repeat(bs, 1, 1, 1)        ...        key_pos = self.key_pos_quant(key_pos)                 feats = self.encoder(feats, pos=key_pos)        ...
复制代码


其中位置编码 key_pos 的方式为:


self.pos_embedding = PositionEmbeddingLearned(    num_pos_feats=[100, 100, 56], num_pos=num_pos)
复制代码


详细实现见 PositionEmbeddingLearned。


图像的 encoder 操作为:


class Encoderlayer(nn.Module):    ...        def forward(self, x: Tensor, pos: Tensor) -> Tensor:        x = self.norm1(x)        q = k = self.pos_add.add(x, pos)        tgt, _ = self.self_attns(query=q, key=k, value=x)        tgt = self.dropout1_add.add(x, self.dropout1(tgt))        tgt2 = self.norm2(tgt)        tgt2 = self.ffn(tgt2)        tgt2 = self.dropout2_add.add(tgt, self.dropout2(tgt2))        return tgt2
复制代码


在公版中,为了减少计算量和内存消耗,在 Decoder 的自注意力计算中做了分组的 Attention,在做 J5 部署时该部分会用到大量的 slice,IO 操作导致带宽资源紧张,因此,地平线版本未做 part attention。


class Decoder(nn.Module):    ...    def forward(        self,        x: Tensor,        tgt: Tensor,        query_pos: Tensor,        key_pos: Tensor,        ref_h_embed: Tensor,    ) -> Tensor:
for i, decoder in enumerate(self.decoders): if i > 0: pos_transformation = self.query_trans_pos(tgt) ref_h_embed = self.mul.mul(ref_h_embed, pos_transformation) ref_h_embed = ref_h_embed + query_pos tgt = decoder( x, tgt=tgt, query_pos=query_pos, key_pos=key_pos, ref_h_embed=ref_h_embed, ) return tgt
复制代码


decoder 为 cross-attention 操作,num_layers 为 2:


class Decoderlayer(nn.Module):    ...    def forward(        self,        feat: Tensor,        tgt: Tensor,        query_pos: Tensor,        key_pos: Tensor,        ref_h_embed: Tensor,    ):
n, c, h, w = feat.shape bs = n // self.num_views feat = feat.view(-1, self.num_views, c, h, w) key_pos = key_pos.view(-1, self.num_views, c, h, w)
feat = feat.permute(0, 2, 1, 3, 4).contiguous().view(bs, c, -1, w) key_pos = ( key_pos.permute(0, 2, 1, 3, 4).contiguous().view(bs, c, -1, w) ) query = self.Qadd.add(tgt, query_pos)
query = self.Qadd2.add(query, ref_h_embed) key = self.Kadd.add(feat, key_pos) tgt2, _ = self.cross_attns(query=query, key=key, value=feat)
tgt = self.dropout1_add.add(tgt, self.dropout1(tgt2)) tgt = self.norm1(tgt) tgt2 = self.ffn(tgt) tgt = self.dropout2_add.add(tgt, self.dropout2(tgt2)) tgt = self.norm2(tgt) return tgt
复制代码

bev_head

检测为多 task 检测,主要分为:


tasks = [    dict(        name="bbos",        num_class=10,        class_names=[            "car",            "truck",            "construction_vehicle",            "bus",            "trailer",            "barrier",            "motorcycle",            "bicycle",            "pedestrian",            "traffic_cone",        ],    )]
复制代码


在 nuscenes 数据集中,目标的类别一共被分为了 6 个大类,网络给每一个类都分配了一个 head,装在 headlist 中,而每个 head 内部都为预测的参数。


bev_det 的 head 为**DepthwiseSeparableCenterPointHead**


对应代码:**hat/models/task_modules/centerpoint/head.py**


class DepthwiseSeparableCenterPointHead(CenterPointHead):    def _make_conv(        self,        ...    ):        pw_norm_layer = nn.BatchNorm2d(in_channels, **self.bn_kwargs)        pw_act_layer = nn.ReLU(inplace=True)
return SeparableConvModule2d( in_channels=in_channels, ... )
def _make_task(self, **kwargs): return DepthwiseSeparableTaskHead(**kwargs)
class CenterPointHead(nn.Module): def __init__(self,...): self.shared_conv = nn.Sequential( *( self._make_conv( in_channels=in_channels if i == 0 else share_conv_channels, ... ) for i in range(share_conv_num) ) ) #head module for num_cls in num_classes: heads = copy.deepcopy(common_heads) heads.update({"heatmap": (num_cls, num_heatmap_convs)}) task_head = self._make_task( ..., ) self.task_heads.append(task_head) def forward(self, feats): rets = [] feats = feats[0] feats = self.shared_conv(feats) for task in self.task_heads: rets.append(task(feats))
复制代码


forward 时,经过共享的 SeparableConv 后,将 feature 再分别传入 task_heads 做 task_pred。


在**hat/models/task_modules/centerpoint/head.py**的 TaskHead 对不同的 task 定义 conv_layers:


class DepthwiseSeparableTaskHead(TaskHead):    def _make_conv(        self,        in_channels,        ...    ):        return SeparableConvModule2d(            in_channels=in_channels,            ...        )
class TaskHead(nn.Module): def __init__(...): ... for head in self.heads: classes, num_conv = self.heads[head] ... #head_conv for _ in range(num_conv - 1): conv_layers.append( self._make_conv( ... ) ) c_in = head_conv_channels #cls_layer conv_layers.append( ConvModule2d( in_channels=head_conv_channels, out_channels=classes, ... ) ) conv_layers = nn.Sequential(*conv_layers) def forward(self, x): ret_dict = {} for head in self.heads: ret_dict[head] = self.dequant(self.__getattr__(head)(x)) return ret_dict
复制代码

bev_decoder

在检测任务中使用 CenterPointDecoder,具体实现流程见下图:



对应代码:**hat/models/task_modules/centerpoint/decoder.py**

04 浮点模型训练

4.1 Before Start

4.1.1 发布物及环境部署***

Step 1:获取发布物


下载 OE 包:


**horizon_j5_open_explorer_v$version$.tar.gz**,获取方式见地平线开发者社区 OpenExplorer 算法工具链 版本发布


Step 2:解压发布包


tar -xzvf horizon_j5_open_explorer_v$version$.tar.gz
复制代码


解压后文件结构如下:


|-- bsp|-- ddk|   |-- package|   `-- samples|       |-- ai_benchmark|       |-- ai_forward_view_sample|       |-- ai_toolchain|       |   |-- ...|       |   |-- horizon_model_train_sample|       |   `-- model_zoo|       |-- model_zoo|       `-- vdsp_rpc_sample|-- README-CN|-- README-EN|-- resolve_all.sh`-- run_docker.sh
复制代码


其中**horizon_model_train_sample为**参考算法模块,包含以下模块:


|-- horizon_model_train_sample  #参考算法示例|   |-- plugin_basic  #qat 基础示例|   `-- scripts  #模型配置文件、运行脚本
复制代码


Step 3:拉取 docker 环境


docker pull openexplorer/ai_toolchain_ubuntu_20_j5_gpu:v$version$#启动容器,具体参数可根据实际需求配置#-v 用于将本地的路径挂载到 docker 路径下nvidia-docker run -it --shm-size="15g" -v `pwd`:/WORKSPACE openexplorer/ai_toolchain_ubuntu_20_j5_gpu:v$version$
复制代码

4.1.2 数据集准备***

4.1.2.1 数据集下载

进入nuscenes 官网,根据提示完成账户的注册,下载 Full dataset(v1.0)、CAN bus expansion 和 Map expansion(v1.3)这三个项目下的文件。下载后的压缩文件为:


|-- nuScenes-map-expansion-v1.3.zip|-- can_bus.zip|-- v1.0-mini.tar|-- v1.0-trainval01_blobs.tar|-- ...|-- v1.0-trainval10_blobs.tar`-- v1.0-trainval_meta.tar
复制代码


Full dataset(v1.0)包含多个子数据集,如果不需要进行 v1.0-trainval 数据集的浮点训练和精度验证,可以只下载 v1.0-mini 数据集进行小场景的训练和验证。


将下载完成的 v1.0-trainval01_blobs.tar~v1.0-trainval10_blobs.tar、v1.0-trainval_meta.tar 和 can_bus.zip 进行解压,解压后的目录如下所示:


|--nuscenes    |-- can_bus #can_bus.zip解压后的目录    |-- samples #v1.0-trainvalXX_blobs.tar解压后的目录    |   |-- CAM_BACK    |   |-- ...    |   |-- CAM_FRONT_RIGHT    |   |--  ...    |   `-- RADAR_FRONT_RIGHT    |-- sweeps    |   |-- CAM_BACK    |   |-- ...    |   |-- CAM_FRONT_RIGHT    |   |--  ...    |   `-- RADAR_FRONT_RIGHT    |-- v1.0-trainval #v1.0-trainval_meta.tar解压后的数据        |-- attribute.json        |    ...        `-- visibility.json
复制代码

4.1.2.2 数据集打包***

进入 horizon_model_train_sample/scripts 目录,使用以下命令将训练数据集和验证数据集打包,格式为 lmdb:


#pack train_Setpython3 tools/datasets/nuscenes_packer.py --src-data-dir /WORKSPACE/nuscenes/ --pack-type lmdb --target-data-dir /WORKSPACE/tmp_data/nuscenes/v1.0-trainval --version v1.0-trainval --split-name train#pack val_Setpython3 tools/datasets/nuscenes_packer.py --src-data-dir /WORKSPACE/nuscenes/ --pack-type lmdb --target-data-dir /WORKSPACE/tmp_data/nuscenes/v1.0-trainval --version v1.0-trainval --split-name val
复制代码


–src-data-dir 为解压后的 nuscenes 数据集目录;–target-data-dir 为打包后数据集的存储目录;

–version 选项为[“v1.0-trainval”, “v1.0-test”, “v1.0-mini”],如果进行全量训练和验证设置为 v1.0-trainval,如果仅想了解模型的训练和验证过程,则可以使用 v1.0-mini 数据集;

v1.0-test 数据集仅为测试场景,未提供注释。

全量的 nuscenes 数据集较大,打包时间较长。每打包完 100 张会在终端有打印提示,其中 train 打包约 28100 张,val 打包约 6000 张。


数据集打包命令执行完毕后会在**target-data-dir下生成train_lmdbval_lmdbtrain_lmdbval_lmdb就是打包之后的训练数据集和验证数据集为 config 中的data_rootdir**。


|-- tmp_data |   |-- nuscenes |   |   |-- v1.0-trainval|   |   |   |-- train_lmdb  #打包后的train数据集|   |   |   |   |-- data.mdb|   |   |   |   `-- lock.mdb|   |   |   `-- val_lmdb   #打包后的val数据集|   |   |   |   |-- data.mdb|   |   |   |   `-- lock.mdb
复制代码


4.1.2.3 meta 文件夹构建

在**tmp_data/nuscenes** 下创建 meta 文件夹,将**v1.0-trainval_meta.tar压缩包解压至 meta,得到meta/maps文件夹,再将nuScenes-map-expansion-v1.3.zip压缩包解压至meta/maps**文件夹下,解压后的目录结构为:


|-- tmp_data |   |-- nuscenes |   |   |-- meta|   |   |   |-- maps        #nuScenes-map-expansion-v1.3.zip解压后的目录|   |   |   |   |-- 36092f0b03a857c6a3403e25b4b7aab3.png|   |   |   |   |-- ...|   |   |   |   |-- 93406b464a165eaba6d9de76ca09f5da.png|   |   |   |   |-- prediction|   |   |   |   |-- basemap|   |   |   |   |-- expansion|   |   |   |-- v1.0-trainval  #v1.0-trainval_meta.tar解压后的目录|   |   |       |-- attribute.json|   |   |           ...|   |   |       |-- visibility.json|   |   `-- v1.0-trainval |   |   |   |-- train_lmdb  #打包后的train数据集|   |   |   `-- val_lmdb   #打包后的val数据集
复制代码

4.1.3 config 配置

在进行模型训练和验证之前,需要对 configs 文件中的部分参数进行配置,一般情况下,我们需要配置以下参数:


  • device_ids、batch_size_per_gpu:根据实际硬件配置进行 device_ids 和每个 gpu 的 batchsize 的配置;

  • ckpt_dir:浮点、calib、量化训练的权重路径配置,权重下载链接在 config 文件夹下的 README 中;

  • data_rootdir:2.1.2.2 中打包的数据集路径配置;

  • meta_rootdir :2.1.2.3 中创建的 meta 文件夹的路径配置;

  • float_trainer 下的 checkpoint_path:浮点训练时 backbone 的预训练权重所在路径,可以使用 README 的 # Backbone Pretrained ckpt 中 ckpt download 提供的 float-checkpoint-best.pth.tar 权重文件。

4.2 浮点模型训练

config 文件中的参数配置完成后,使用以下命令训练浮点模型:


python3 tools/train.py --config configs/bev/bev_cft_efficientnetb3_nuscenes.py --stage float
复制代码


float 训练后模型 ckpt 的保存路径为 config 配置的 ckpt_callback 中 save_dir 的值,默认为 ckpt_dir。

4.3 浮点模型精度验证

浮点模型训练完成以后,可以使用以下命令验证已经训练好的浮点模型精度:


python3 tools/predict.py --config configs/bev/bev_cft_efficientnetb3_nuscenes.py --stage float
复制代码


验证完成后,会在终端打印浮点模型在验证集上检测精度,如下所示:


Per-class results:Object Class    AP      ATE     ASE     AOE     AVE     AAEcar     0.458   0.552   0.157   0.188   1.263   0.230...2023-12-19 17:47:02,796 INFO [nuscenes_metric.py:349] Node[0] NDS: 0.3280, mAP:0.2481...2023-06-06 18:24:10,513 INFO [mean_iou.py:170] Node[0] ~~~~ MeanIOU Summary metrics ~~~~car_AP: [0.5]:0.1182  [1.0]:0.3794  [2.0]:0.6097  [4.0]:0.7232...2023-12-19 17:47:03,046 INFO [metric_updater.py:360] Node[0] Epoch[0] Validation bev_cft_efficientnetb3_nuscenes: NDS[0.3280] 2023-12-19 17:47:03,058 INFO [logger.py:176] Node[0] ==================================================END PREDICT==================================================2023-12-19 17:47:03,058 INFO [logger.py:176] Node[0] ==================================================END FLOAT PREDICT==================================================
复制代码

05 模型量化和编译

完成浮点训练后,还需要进行量化训练和编译,才能将定点模型部署到板端。地平线对该模型的量化采用 horizon_plugin 框架,经过 Calibration+QAT 量化训练后,使用**compile的工具将量化模型编译成可以上板运行的hbm**文件。

5.1 Calibration

模型完成浮点训练后,便可进行 Calibration。calibration 在 forward 过程中通过统计各处的数据分布情况,从而计算出合理的量化参数。通过运行下面的脚本就可以开启模型的 Calibration 过程:


python3 tools/train.py --config configs/bev/bev_cft_efficientnetb3_nuscenes.py --stage calibration
复制代码

5.2 Calibration 模型精度验证

Calibration 完成以后,可以使用以下命令验证经过 calib 后模型的精度:


python3 tools/predict.py --config configs/bev/bev_cft_efficientnetb3_nuscenes.py --stage calibration
复制代码


验证完成后,会在终端输出 calib 模型在验证集上检测精度,格式见 2.3。

5.3 量化模型训练

Calibration 完成后,就可以加载 calib 权重开启模型的量化训练。量化训练其实是在浮点训练基础上的 finetue,具体配置信息在 config 的 qat_trainer 中定义。


量化训练的时候,初始学习率设置为浮点训练的十分之一,训练的 epoch 次数也大大减少。和浮点训练的方式一样,将 checkpoint_path 指定为训好的 calibration 权重路径。


通过运行下面的脚本就可以开启模型的 qat 训练:


python3 tools/predict.py --config configs/bev/bev_cft_efficientnetb3_nuscenes.py --stage qat
复制代码

5.4 量化模型精度验证

Calibration 完成以后,可以使用以下命令验证经过 calib 后模型的精度:


#qat模型精度验证python3 tools/predict.py --stage qat--config configs/bev/bev_cft_efficientnetb3_nuscenes.py
复制代码


验证完成后,会在终端输出 calib 模型在验证集上检测精度,格式见 2.3。

5.5 量化模型精度验证

指定 calibration-checkpoint 后,通过运行以下命令进行量化模型的精度验证:


python3 tools/predict.py --config configs/bev/bev_cft_efficientnetb3_nuscenes.py --stage int_infer
复制代码


qat 模型的精度验证对象为插入伪量化节点后的模型(float32);quantize 模型的精度验证对象为定点模型(int8),验证的精度是最终的 int8 模型的真正精度,这两个精度应该是十分接近的。

5.6 仿真上板精度验证

除了上述模型验证之外,我们还提供和上板完全一致的精度验证方法,可以通过下面的方式完成:


python3 tools/align_bpu_validation.py --config configs/bev/bev_cft_efficientnetb3_nuscenes.py
复制代码

5.7 量化模型编译

在量化训练完成之后,可以使用**compile_perf.py脚本将量化模型编译成可以板端运行的hbm**模型,同时该工具也能预估在 BPU 上的运行性能,compile_perf 脚本使用方式如下:


python3 tools/compile_perf.py --config configs/bev/bev_cft_efficientnetb3_nuscenes.py --out-dir ./ --opt 3
复制代码


opt 为优化等级,取值范围为 0~3,数字越大优化等级越高,编译时间更长,但部署性能更好。compile_perf 脚本将生成。html 文件和。hbm 文件(compile 文件目录下),。html 文件为 BPU 上的运行性能,。hbm 文件为上板实测文件。


运行后,ckpt_dir 的 compile 目录下会产出以下文件。


|-- compile 
| |-- .html #模型在bpu上的静态性能数据
| |-- .json
| |-- model.hbm #板端部署的模型
| |-- model.hbir #编译过程的中间文件
​ `-- model.pt #模型的pt文件
复制代码

06 其他工具

6.1 结果可视化

如果你希望可以看到训练出来的模型对于单帧的检测效果,我们的 tools 文件夹下面同样提供了预测及可视化的脚本,你只需要运行以下脚本即可:


python3 tools/infer.py --config configs/bev/bev_cft_efficientnetb3_nuscenes.py --save-path ./
复制代码


可视化结果将会在 save-path 路径下输出。


07 板端部署

7.1 上板性能实测

使用**hrt_model_exec perf工具将生成的。hbm 文件上板做 BPU 性能 FPS 实测,hrt_model_exec perf**参数如下:


hrt_model_exec perf --model_file {model}.hbm \                         --thread_num 8 \                    --frame_count 2000 \                    --core_id 0 \                    --profile_path '.'
复制代码


用户头像

还未添加个人签名 2021-03-11 加入

还未添加个人简介

评论

发布
暂无评论
地平线 bev_cft_efficientnetb3 参考算法-v1.2.1_自动驾驶_地平线开发者_InfoQ写作社区