一、内容及目标

 

1. 实验内容

• 本实验主要介绍基于寒武纪推理引擎 MagicMind 的 YOLOv5m (PyTorch, Python, FP32) 目标检测推理应用的开发方法。
• 基于 YOLOv5m 检测网络和寒武纪推理引擎 MagicMind，您可以读取本地图像数据作为输入，对图像数据中的目标物体进行时识别，得到物体的在图像中的坐标、置信度以及类别。

 

2. 实验目标

• 掌握使用寒武纪推理引擎 MagicMind 进行模型推理的基本方法。
• 理解 YOLOv5m 模型的整体网络结构及其开发调试细节。

 

二、前置知识

 

1. 寒武纪软硬件平台介绍

• 硬件：寒武纪 MLU370 系列 AI 加速卡
• 框架：PyTorch 1.6、MagicMind 0.14.0

 

2. MagicMind介绍

MagicMind 是⾯向寒武纪 MLU370 (寒武纪处理器，简称MLU) 的推理加速引擎。 MagicMind 能将人工智能框架（Tensorflow，PyTorch 等）训练好的算法模型转换成 MagicMind 统⼀计算图表⽰，并提供端到端的模型优化、代码⽣成以及推理业务部署能⼒。用户无需过多关注底层硬件细节，只需专注于推理业务开发。

获取更多有关 MagicMind 资料，请参考 [寒武纪官网文档]  MagicMind 相关内容。

 

三、网络结构

针对不同大小（n,s,m,l,x）的网络，YOLOv5的整体架构不变，但会根据yaml文件中定义的depth_mutiple和width_mutiple参数，对每个子模块进行不同深度和宽度的缩放。

以 [YOLOv5m] 为例，其网络结构主要由以下几部分组成:

• Backbone: Conv(CBS), C3, SPPF
• Head: Conv(CBS), C3, Upsample, Concat
• Detect: Decode, nms, topk (CPU端运行，不参与训练)

网络结构如下图所示: 

 其中：

• CBS: 由 Conv + BN2d + SiLU 三者组成
• C3: [CSP Bottleneck] with 3 convolutions，结构图上图所示
• SPPF: Spatial Pyramid Pooling (Fast)，空间金字塔池化结构，功能不变前提下提升运行速度

 

四、模型推理

模型推理整体流程如下图所示，主要包含模型工程准备，模型生成和模型推理三部分：

 

1. 工程准备

1. 原生工程下载：下载原始 YOLOv5 工程，本实验已经提供工程环境，yolov5 源代码在src/models/目录下。
2. 预训练模型下载：下载 yolov5m 预训练权重，并将其放置于yolov5_model目录下。
3. 搭建环境：安装本实验所需要的额外环境。

 

2. 模型生成

1. 构建融合图：用 PyTorch 框架构建 yolov5m 模型，使用 jit.trace 工具把网络编译为融合图并保存，方便 MagicMind 后期 parser 操作。
2. Network 和 BuildConfig 配置： MagicMind ⽀持直接导⼊框架训练好的模型，并表⽰成 Network 对象。模型导⼊⼯作由 Parser 来完成。MagicMind 还提供了BuilderConfig 来配置 Builder 的行为，通过 BuilderConfig 设置，用户可配置硬件平台，输入摆数，归一化参数等信息。
3. 生成 MagicMind 模型：调用 MagicMind 的 build_model 接口生成模型，build_model ⽣成的模型中包含MLU指令、权值、图结构等静态数据。⽣成的模型可以序列化到⽂件或内存，或从⽂件或内存反序列化，从⽽满⾜跨平台部署需求。

 

3. 模型推理

1. 前处理：通过缩放比例，padding 处理返回处理后的图像数据。
2. 利用 MagicMind 进行推理的具体过程如下图所示：

iii. 后处理：MagicMind 处理完后，还需要在 CPU 上进行 NMS ，坐标映射回原图等操作。

 

五、相关链接

实验代码仓库：https://gitee.com/cambricon/practices

ModelZoo仓库：https://gitee.com/cambricon/modelzoo