yolov3增强版TensorRT加速MX250下28fps！JetsonNano必备

This article was original written by Jin Tian, welcome re-post, first come with https://jinfagang.github.io . but please keep this copyright info, thanks, any question could be asked via wechat: jintianiloveu

Yolo系列是一个很经典的目标检测算法，如果你的问题不是遮挡非常严重情况下的目标检测问题，使用yolo可以让你以最快的速度获得一个很高的精度，尤其是现在很多网络模型压缩，剪枝大多在yolo上进行，这使得人们对它的研究比其他的更多。事实上，yolov3也同样没有令人失望。

我们花了一点时间，将ASFF应用于yolov3,并修改了mobilenetv2作为backbone，来探索一个从训练到部署的统一化集成方案。通过在一些数据集上的训练我们发现，加上了ASFF的yolov3不仅仅在速度上依旧可以保持轻量高速，同时在精度上也很高。

借用一张原论文的图：

对比目标检测的杠靶子RetinaNet，你可以明显看到yolov3+asff相比于它是多么的强，不仅仅精度碾压，同时速度更是快，并且从某种意义上来说，它的精度甚至好于CenterNet。虽然比不上NasFPN，但至少可以与之媲美，不过毫无疑问，如果你想要一个跑的足够快但同时精度又足够高的算法，那么肯定它值得一尝试。

实际的训练出来的模型效果也表明了它在这一方面的强大能力，对于小目标的检测能力，以及看起来不可见的物体的洞察能力确实强于一般的目标检测算法：

也难怪，人家可以在几块的速度下，达到最高43.9的mAP！

当然我们今天要介绍的不仅仅是它多牛逼，而是如何应用于现实的生产环境。简单来说，我们主要做了两个事情：

将yolov3+asff的代码导出为了onnx;
对onnx模型进行优化，并使用TensorRT进行了加速;
整个推理可以纯C++实现。

具体速度上我们可以对比：

System	test-dev mAP	Time (V100)	Time (2080ti)	Time (1070)	Time (1070 Trt)	Time (MX250 Trt)
YOLOv3 608	33.0	20ms	26ms	30ms/33ps	21ms/47fps
YOLOv3 608+ BoFs	37.0	20ms	26ms
YOLOv3 608 (our baseline)	38.8	20ms	26ms
YOLOv3 608+ ASFF	40.6	22ms	30ms
YOLOv3 608+ ASFF*	42.4	22ms	30ms
YOLOv3 800+ ASFF*	43.9	34ms	38ms
YOLOv3 MobileNetV1 416 + BoFs	28.6	-	22 ms
YOLOv3 MobileNetV2 416 (our baseline)	29.0	-	22 ms
YOLOv3 MobileNetV2 416 +ASFF	30.6	-	24 ms	28ms/35fps	17ms/59fps	35ms/28fps

从上面的表格可以看到通过TensorRT的加速，可以在一个不是那么decent的卡上获得60fps的速度，想对于的输入尺寸是544,这不能说是很小的尺寸了，根据我们的经验，输入尺寸越大，越能保证模型的检出率。表中显卡MX250是一款笔记本显卡，你可以认为使用这个模型（yolov3 mobilenet asff）可以使得你的模型在你的笔记本上跑到realtime，当然前提是你安装了一款足够入门级的显卡。确实，28fps已经足够实时了。

ASFF的原理

套用论文中的一张图，asff其实有点像FPN，就如同它的名字一样，adaptively spatial feature fusion, 它学习到的特征不仅仅是多尺度的，而且是不同的纹理特征，这对于赋予网络识别不同的类别至关重要。事实上，在实验中，我们发现，添加asff之后，其对应的类别的置信度会得到增强。

相比与一些anchor free的算法，它在检测出物体的同时，对应的probability通常是更高的。

Talk is chip, show me the code

说起来容易，让大家知道我们实现了一个同时兼顾精度和速度的算法，同时可以使用tensorrt， MNN等库来进行部署侧加速，但是没有代码又如何让大家来尝试呢。

关于本文设计到的所有代码，大家可以在这个平台获取，事实上Github也有很多实现，只不过他们不是一个完整的体系，同时也没有那么注重工程化，连能完整的导出onnx的代码都比较少。

http://manaai.cn/aicodes_detail3.html?id=51

最后，由于TensorRT的加速代码写起来很费劲，我们也不想让大家变成伸手党，毕竟你动手去获取的东西才有价值，不然也不会觉得它多宝贵，感兴趣的朋友可以添加下面的QQ群交流，获取源码，同时在QQ群我们会定期分享一些有价值的算法和论文。敲门砖：神力人工智能。