基于Tengine实现yolov4的cpu推理讲解

本期讲解便是基于 Tengine 实现 yolov4的 cpu推理。

完成动机：

主要是为了熟悉tengine的推理部署流程

一、模型转换

采用下面链接中yolov4的模型权重和配置文件

https://github.com/ultralytics/yolov3github.com

源模型使用的是darknet格式，因为yolov4新增了mish算子，所以需要增加对应算子的序列化代码才能正常转换，下面是我的代码改动，基本按照tanh算子进行相应增加。

https://github.com/zjd1988/Tengine-Convert-Toolsgithub.com

convert tools增加算子的详细流程，参考官方增加自定义算子步骤：

（1）在operator/include/operator目录下增加mish.hpp 和mish/_param.hpp/_文件，/_由于mish算子不需要额外的参数配置，因此mish/_para.hpp并没有添加。mish.hpp内容可以参考其他类似没有参数配置的算子（比如tanh）,在operator/operator 目录下增加mish.cpp，增加算子实现代码；

（2）在operator/operator目录下增加mish算子内存分配的代码，因为mish算子不涉及这部分修改，并未做任何修改

（3）在operator/operator/plugin/init.cpp文件中的operator/_plugin/_init函数中增加算子的注册函数调用

（4）增加mish算子序列化和解析代码

（4-1）在serializer/include/tengine/v2/tm2/_format.h中增加mish的类型宏定义和字符串宏定义 ；
（4-2）在serializer/tengine/v2/tm2/_op/_load.cpp文件中增加LoadTmMishOp函数实现，同时在LoadTmOpFunc函数中增加调用LoadTmMishOp的逻辑代码；
（4-3）在serializer/tengine/v2/tm2/_op/_save.cpp文件中增加SaveTmMishOp函数实现，同时在SaveTmReorgOp函数中增加调用SaveTmMishOp的逻辑代码；
（4-4）在serializer/tengine/v2/tm2/_op/_serializer.hpp，增加LoadTmMishOp和 SaveTmMishOp的函数声明

（4-5）本次转换模型针对darknet，所以需要对tools/darknet/darknet/_serializer.cpp文件中增加mish算子解析的相应逻辑。 因为mish没有单独使用，而是作为conv的激活函数调用，所以是在LoadConv2D函数参照leaky增加相应的代码。其他单独算子的实现也可以参考其他类似算子的实现方式

完成代码改动后，按照如下操作进行编译，即可生成转换工具

 

mkdir build && cd build
cmake ..
make -j4 && make install

 

最后执行转换动作（提前准备好模型文件）

 

./install/bin/tm_convert_tool -f darknet -p yolov4.cfg -m yolov4.weights -o yolov4.tmfile

 

二、推理

官方代码链接下的readme并没有找到介绍如何新增算子，但是可以参考类似算子进行修改添加，下面是我参考tanh算子的实现，进行的修改

（1-1）在inlcude/tengine/_op.h中增加mish的枚举定义，include/tengine/_op/_name.h中增加mish的字符串宏定义
（1-2）在src/op/mish.c中增加mish算子的注册函数
（1-3）在src/serializer/tm/tm2/_format.h 和src/serializer/tm/op/tm2/_mish.c 中增加序列化相关代码,

note：src/serializer/tm/tm2/_format.h中定义算子的类型数值需要跟convert/_tools下的serializer/include/tengine/v2/tm2/_format.h代码保持一致

（1-4）在src/dev/cpu/op/目录下增加mish算子实现代码目录，包括mish/_ref.c（x86）、mish/_hcl/_arm.c（arm），其中contex-a目录下的文件为具体的kernel实现代码

也可以参考下面的链接，查看有哪些代码改动和文件增加：

https://github.com/zjd1988/Tenginegithub.com

测试

测试图片使用的是标题中的图片（512x384）test.jpg
测试代码使用的官方代码

 

examples/tm_yolov3_tiny.cpp

 

做了简单修改。

三、后续

（1）合并conv和mish算子
（2）后续抽空新增一个需要配置参数的算子

四、使用感受

（1）模型转换和推理分离，新增算子需要增加两次，官方回复会后续考虑合并，希望会越来越方便
（2）推理引擎编译速度快（本文目的不在于测试性能，只是验证tengine在推理yolov4的正确性）
（3）代码结构清晰，便于阅读和调试

以上便是解答过程以及使用感受。
 

更多Tengine相关内容请关注Tengine-边缘AI推理框架专栏。

审核编辑 黄昊宇