毫秒級檢測！你見過帶GPU的樹莓派嗎？
樹莓派3B+英特爾神經計算棒進行高速目標檢測
轉載請註明作者夢裏茶
代碼:
訓練數據預處理：
https://gist.github.com/ahangchen/ae1b7562c1f93fdad1de58020e94fbdf
測試：https://github.com/ahangchen/ncs_detection
Star是一種美德。
Background
最近在做一個項目，要在樹莓派上分析視頻中的圖片，檢測目標，統計目標個數，這是一張樣例圖片：
Motivation
當下效果最好的目標檢測都是基於神經網絡來做的，包括faster rcnn， ssd, yolo2等等，要在樹莓派這種資源緊張的設備上運行檢測模型，首先想到的就是用最輕量的MobileNet SSD，使用Tensorflow object detection api實現的MobileNet SSD雖然已經非常輕，但在樹莓派上推導一張1280x720的圖仍然需要2秒，有興趣的同學可以參考這兩個項目：
- armv7版Tensorflow（必須是1.4及以上）:https://github.com/lhelontra/tensorflow-on-arm/releases
- Tensorflow Object detection API: https://github.com/tensorflow/models/tree/master/research/object_detection
具體的操作在Tensorflow文檔裏都說的很清楚了，在樹莓派上的操作也是一樣的，有問題可以評論區討論
Hardware
極限的模型仍然不能滿足性能需求，就需要請出我們今天的主角了，Intel Movidius Neural Computing Stick
| 處理器 | Intel Movidius VPU |
|---|---|
| 支持框架 | TensorFlow, Caffe |
| 連接方式 | USB 3.0 Type-A |
| 尺寸 | USB stick (72.5mm X 27mm X 14mm) |
| 工作溫度 | 0° - 40° C |
| x86_64 Ubuntu 16.04主機 | |
| Raspberry Pi 3B Stretch desktop | |
| Ubuntu 16.04 虛擬機 | |
| 系統要求 | USB 2.0 以上 (推薦 USB 3.0) |
| 1GB 內存 | |
| 4GB 存儲 | |
實際上這不是一個GPU，而是一個專用計算芯片，但能起到類似GPU對神經網絡運算的加速作用。
京東上搜名字可以買到，只要500元左右，想想一塊GPU都要幾千塊錢，就會覺得很值了。
SDK是開源的：https://github.com/movidius/ncsdk
提問不在GitHub issue裏，而是在一個專門的論壇：https://ncsforum.movidius.com/
雖然目前NCSDK支持的框架包含Tensorflow和Caffe，但並不是支持所有的模型，目前已支持的模型列表可以在這裏查到：https://github.com/movidius/ncsdk/releases
截止到2018年3月15日，NCSDK還沒有支持Tensorflow版的MobileNet SSD（比如tf.cast這個操作還未被支持），所以我們需要用Caffe來訓練模型，部署到樹莓派上。
Environment
ncsdk的環境分為兩部分，訓練端和測試端。
- 訓練端通常是一個Ubuntu 帶GPU主機，訓練Caffe或TensorFlow模型，編譯成NCS可以執行的graph；
- 測試端則面向ncs python mvnc api編程，可以運行在樹莓派上raspbian stretch版本，也可以運行在訓練端這種機器上。
訓練端
安裝
安裝這個過程，說難不難，也就幾行命令的事情，但也有很多坑
在訓練端主機上，插入神經計算棒，然後：
git clone https://github.com/movidius/ncsdk
cd ncsdk
make install 其中，make install幹的是這些事情：
- 檢查安裝Tensorflow
- 檢查安裝Caffe(SSD-caffe)
- 編譯安裝ncsdk（不包含inference模塊，只包含mvNCCompile相關模塊，用來將Caffe或Tensorflow模型轉成NCS graph的）
註意，
- 這些庫都是安裝到
/opt/movidius/這個目錄下，並關聯到系統python3裏邊的（/usr/bin/python3），如果你電腦裏原來有tf或caffe，也不會被關聯上去 - NCSDK mvNCCompile模塊目前只兼容python3，我嘗試過將安裝完的SDK改成兼容python2的版本，可以將模型編譯出來，但是在運行時會報錯，所以暫時放棄兼容python2了，也建議大家用默認的python3版本
這個步驟主要的坑來自萬惡的Caffe，如果你裝過python3版的caffe，大概會有經驗一些，這裏有幾個小坑提示一下：
- 最好在ncsdk目錄中的ncsdk.conf中，開啟caffe的cuda支持，即設置
CAFFE_USE_CUDA=yes，這樣你之後也能用這個caffe來訓練模型 - caffe的依賴會在腳本中安裝，但有些Debian兼容問題要解決
開啟CUDA支持後，編譯caffe會找不到libboost-python3，因為在Ubuntu16.04裏，它叫libboost-python3.5，所以要軟鏈接一下：
cd /usr/lib/x86_64-linux-gnu/
sudo ln -s libboost_python-py35.so libboost_python3.so- 其他可能出現的caffe的坑，可以在我博客找找答案，如果沒有的話，就去caffe的GitHub issue搜吧
測試
一波操作之後，我們裝好了ncsdk編譯模塊，可以下載我訓練的caffe模型，嘗試編譯成ncs graph
git clone https://github.com/ahangchen/MobileNetSSD
mvNCCompile example/MobileNetSSD_deploy.prototxt -w MobileNetSSD_deploy.caffemodel -s 12 -is 300 300 -o ncs_mobilenet_ssd_graph這裏其實是調用python3去執行/usr/local/bin/ncsdk/mvNCCompile.py這個文件， 不出意外在當前版本（1.12.00）你會遇到這個錯誤：
[Error 17] Toolkit Error: Internal Error: Could not build graph. Missing link: conv11_mbox_conf這是因為NCSDK在處理caffe模型的時候，會把conv11_mbox_conf_new節點叫做conv11_mbox_conf，所以build graph的時候就會找不著。因此需要為這種節點起一個別名，即，將conv11_mbox_conf_new起別名為conv11_mbox_conf，修改SDK代碼中的/usr/local/bin/ncsdk/Models/NetworkStage.py，在第85行後面添加：
if ‘‘_new‘ in name:
self.alias.append(name[:-4])於是就能編譯生成graph了，你會看到一個名為ncs_mobilenet_ssd_graph的文件。
上邊這個bug我已經跟NCSDK的工程師講了，他們在跟進修這個bug：
測試端
NCSDK
測試端要安裝ncsdk python api，用於inference，實際上測試端能做的操作，訓練端也都能做
git clone https://github.com/movidius/ncsdk
cd api/src
make install從輸出日誌可以發現，將ncsdk的lib和include文件分別和系統的python2（/usr/bin/python2）和python3(/usr/bin/python3)做了關聯。
然後你可以下一個GitHub工程來跑一些測試：
git clone https://github.com/movidius/ncappzoo
cd ncappzoo/apps/hello_ncs_py
python3 hello_ncs.py
python2 hello_ncs.py沒報錯就是裝好了，測試端很簡單。
OpenCV
看pyimagesearch這個教程
Caffe模型訓練
就是正常的用caffe訓練MobileNet-SSD，主要參考這個倉庫：
- MobileNet-SSD: https://github.com/chuanqi305/MobileNet-SSD
README裏將步驟講得很清楚了
- 下載SSD-caffe（這個我們已經在NCSDK裏裝了）
- 下載chuanqi在VOC0712上預訓練的模型
- 把MobileNet-SSD這個項目放到SSD-Caffe的examples目錄下，這一步可以不做，但是要對應修改train.sh裏的caffe目錄位置
- 創建你自己的
labelmap.prototxt，放到MobileNet-SSD目錄下，比如說，你是在coco預訓練模型上訓練的話，可以把coco的標簽文件復制過來，將其中與你的目標類（比如我的目標類是Cattle）相近的類（比如Coco中是Cow）改成對應的名字，並用它的label作為你的目標類的label。（比如我用21這個類代表Cattle） - 用你自己的數據訓練MobileNet-SSD，參考SSD-caffe的wiki，主要思路還是把你的數據轉換成類似VOC或者COCO的格式，然後生成lmdb，坑也挺多的：
- 假設你的打的標簽是這樣一個文件
raw_label.txt，假裝我們數據集只有兩張圖片：
data/strange_animal/1017.jpg 0.487500 0.320675 0.670000 0.433193
data/strange_animal/1018.jpg 0.215000 0.293952 0.617500 0.481013我們的目標是將標簽中涉及的
圖片和位置信息轉成這樣一個目錄（在ssd-caffe/data/coco目錄基礎上生成的）：coco_cattle ├── all # 存放全部圖片和xml標簽文件 │ ├── 1017.jpg │ ├── 1017.xml │ ├── 1018.jpg │ └── 1018.xml ├── Annotations # 存放全部標簽xml │ ├── 1017.xml │ └── 1018.xml ├── create_data.sh # 將圖片轉為lmdb的腳本 ├── create_list.py # 根據ImageSets裏的數據集劃分文件，生成jpg和xml的對應關系文件到coco_cattle目錄下，但我發現這個對應關系文件用不上 ├── images # 存放全部圖片 │ ├── 1017.jpg │ └── 1018.jpg ├── ImageSets # 劃分訓練集，驗證集和測試集等，如果只想分訓練和驗證的話，可以把minival.txt,testdev.txt,test.txt內容改成一樣的 │ ├── minival.txt │ ├── testdev.txt │ ├── test.txt │ └── train.txt ├── labelmap_coco.prototxt # 如前所述的標簽文件，改一下可以放到MobileNet-SSD目錄下 ├── labels.txt ├── lmdb # 手動創建這個目錄 │ ├── coco_cattle_minival_lmdb # 自動創建的，由圖片和標簽轉換來的LMDB文件 │ ├── coco_cattle_testdev_lmdb │ ├── coco_cattle_test_lmdb │ └── coco_cattle_train_lmdb ├── minival.log ├── README.md ├── testdev.log ├── test.log └── train.log其中，標簽xml的格式如下：
<annotation>
<folder>train</folder>
<filename>86</filename>
<source>
<database>coco_cattle</database>
</source>
<size>
<width>720</width>
<height>1280</height>
<depth>3</depth>
</size>
<segmented>0</segmented>
<object>
<name>21</name>
<pose>Unspecified</pose>
<truncated>0</truncated>
<difficult>0</difficult>
<bndbox>
<xmin>169</xmin>
<ymin>388</ymin>
<xmax>372</xmax>
<ymax>559</ymax>
</bndbox>
</object>
<object>
<name>21</name>
<pose>Unspecified</pose>
<truncated>0</truncated>
<difficult>0</difficult>
<bndbox>
<xmin>169</xmin>
<ymin>388</ymin>
<xmax>372</xmax>
<ymax>559</ymax>
</bndbox>
</object>
</annotation>代表一張圖中多個對象所在位置（bndbox節點表示），以及類別（name）。
- 一開始，
all,Annotations,images,ImageSets,lmdb四個目錄都是空的，你可以把自己的圖片放到隨便哪個地方，只要在raw_label.txt裏寫好圖片路徑就行 讀取
raw_label.txt，利用lxml構造一棵dom tree，然後寫到Annotations對應的xml裏，並將對應的圖片移動到image目錄裏，可以參考這份代碼。並根據我們設置的train or not標誌符將當前這張圖片分配到訓練集或測試集中（也就是往ImageSet/train.txt中寫對應的圖片名）這樣一波操作之後，我們的
images和Annotations目錄裏都會有數據了，接下來我們需要把它們一塊復制到all目錄下
cp images/* all/
cp Annotations/* all/- 然後用create_data.sh將
all中的數據，根據ImageSet中的數據集劃分，創建訓練集和測試集的lmdb，這裏對coco的create_data.sh做了一點修改：
cur_dir=$(cd $( dirname ${BASH_SOURCE[0]} ) && pwd )
root_dir=$cur_dir/../..
cd $root_dir
redo=true
# 這裏改成all目錄
data_root_dir="$cur_dir/all"
# 這裏改成自己的數據集名，也是我們這個目錄的名字
dataset_name="coco_cattle"
# 指定標簽文件
mapfile="$root_dir/data/$dataset_name/labelmap_coco.prototxt"
anno_type="detection"
label_type="xml"
db="lmdb"
min_dim=0
max_dim=0
width=0
height=0
extra_cmd="--encode-type=jpg --encoded"
if $redo
then
extra_cmd="$extra_cmd --redo"
fi
for subset in minival testdev train test
do
python3 $root_dir/scripts/create_annoset.py --anno-type=$anno_type --label-type=$label_type --label-map-file=$mapfile --min-dim=$min_dim --max-dim=$max_dim --resize-width=$width --resize-height=$height --check-label $extra_cmd $data_root_dir $root_dir/data/$dataset_name/ImageSets/$subset.txt $data_root_dir/../$db/$dataset_name"_"$subset"_"$db examples/$dataset_name 2>&1 | tee $root_dir/data/$dataset_name/$subset.log
done於是會lmdb目錄下會為每個劃分集合創建一個目錄，存放數據
├── lmdb
│ ├── coco_cattle_minival_lmdb
│ │ ├── data.mdb
│ │ └── lock.mdb
│ ├── coco_cattle_testdev_lmdb
│ │ ├── data.mdb
│ │ └── lock.mdb
│ ├── coco_cattle_test_lmdb
│ │ ├── data.mdb
│ │ └── lock.mdb
│ └── coco_cattle_train_lmdb
│ ├── data.mdb
│ └── lock.mdb
- 將5生成的lmdb鏈接到MobileNet-SSD的目錄下：
cd MobileNet-SSD
ln -s PATH_TO_YOUR_TRAIN_LMDB trainval_lmdb
ln -s PATH_TO_YOUR_TEST_LMDB test_lmdb- 運行
gen_model.sh生成三個prototxt（train, test, deploy）
# 默認clone下來的目錄是沒有example這個目錄的，而gen_model.sh又會把文件生成到example目錄
mkdir example
./gen_model.sh訓練
./train.sh這裏如果爆顯存了，可以到
example/MobileNetSSD_train.prototxt修改batch size，假如你batch size改到20，剛好可以吃滿GTX1060的6G顯存，但是跑到一定步數（設置在solver_test.prototxt裏的test_interval變量），會執行另一個小batch的test（這個batch size定義在example/MobileNetSSD_test.prototxt裏），這樣就會再爆顯存，所以如果你的train_batch_size + test_batch_size <= 20的話才可以保證你在6G顯存上能順利完成訓練，我的設置是train_batch_size=16, test_batch_size=4
一開始的training loss可能比較大，30左右，等到loss下降到2.x一段時間就可以ctrl+c退出訓練了，模型權重會自動保存在snapshot目錄下
運行merge_bn.py將訓練得到的模型去除bn層，得到可部署的Caffe模型，這樣你就能得到一個名為
MobileNetSSD_deploy.caffemodel的權重文件，對應的prototxt為example/MobileNetSSD_deploy.prototxt離題那麽久，終於來到主題，我們要把這個caffemodel編譯成NCS可運行的graph，這個操作之前在搭環境的部分也提過：
mvNCCompile example/MobileNetSSD_deploy.prototxt -w MobileNetSSD_deploy.caffemodel -s 12 -is 300 300 -o ncs_mobilenet_ssd_graph參數格式：
mvNCCompile prototxt路徑 -w 權重文件路徑 -s 最大支持的NCS數目 -is 輸入圖片寬度 輸入圖片高度 -o 輸出graph路徑其實訓練端相對於chuanqi的MobileNet-SSD沒啥改動，甚至訓練參數也不用怎麽改動，主要工作還是在數據預處理上，可以參考我的預處理代碼
樹莓派NCS模型測試
現在我們要用ncs版的ssd模型在樹莓派上進行對圖片做檢測，這個目標一旦達成我們自然也能對視頻或攝像頭數據進行檢測了。
倉庫結構
ncs_detection
├── data # 標簽文件
│ └── mscoco_label_map.pbtxt
├── file_helper.py # 文件操作輔助函數
├── model # 訓練好的模型放在這裏
│ ├── ncs_mobilenet_ssd_graph
│ └── README.md
├── ncs_detection.py # 主入口
├── object_detection # 改了一下TF的Object detection包中的工具類來用
│ ├── __init__.py
│ ├── protos
│ │ ├── __init__.py
│ │ ├── string_int_label_map_pb2.py
│ │ └── string_int_label_map.proto
│ └── utils
│ ├── __init__.py
│ ├── label_map_util.py
│ └── visualization_utils.py
├── r10 # 圖片數據
│ ├── 00000120.jpg
│ ├── 00000133.jpg
│ ├── 00000160.jpg
│ ├── 00000172.jpg
│ ├── 00000192.jpg
│ ├── 00000204.jpg
│ ├── 00000220.jpg
│ └── 00000236.jpg
├── README.md
└── total_cnt.txt- 由於這個工程一開始是用Tensorflow Object Detection API做的，所以改了其中的幾個文件來讀標簽和畫檢測框，將其中跟tf相關的代碼去掉。
- TF的圖片IO是用pillow做的，在樹莓派上速度奇慢，對一張1280x720的圖使用Image的get_data這個函數獲取數據需要7秒，所以我改成了OpenCV來做IO。
任務目標
檢測r10目錄中的圖片中的對象，標記出來，存到r10_tmp目錄裏
流程
- 準備目標目錄
def config_init(dataset_pref):
os.system(‘mkdir %s_tmp‘ % dataset_pref)
os.system(‘rm %s_tmp/*‘ % dataset_pref)- 指定模型路徑，標簽位置，類別總數，測試圖片路徑
PATH_TO_CKPT = ‘model/ncs_mobilenet_ssd_graph‘
PATH_TO_LABELS = os.path.join(‘data‘, ‘mscoco_label_map.pbtxt‘)
NUM_CLASSES = 81
TEST_IMAGE_PATHS = [os.path.join(img_dir, ‘%08d.jpg‘ % i) for i in range(start_index, end_index)]- 發現並嘗試打開神經計算棒
def ncs_prepare():
print("[INFO] finding NCS devices...")
devices = mvnc.EnumerateDevices()
if len(devices) == 0:
print("[INFO] No devices found. Please plug in a NCS")
quit()
print("[INFO] found {} devices. device0 will be used. "
"opening device0...".format(len(devices)))
device = mvnc.Device(devices[0])
device.OpenDevice()
return device- 將NCS模型加載到NCS中
def graph_prepare(PATH_TO_CKPT, device):
print("[INFO] loading the graph file into RPi memory...")
with open(PATH_TO_CKPT, mode="rb") as f:
graph_in_memory = f.read()
# load the graph into the NCS
print("[INFO] allocating the graph on the NCS...")
detection_graph = device.AllocateGraph(graph_in_memory)
return detection_graph- 準備好標簽與類名對應關系
category_index = label_prepare(PATH_TO_LABELS, NUM_CLASSES)- 讀取圖片，由於Caffe訓練圖片采用的通道順序是RGB，而OpenCV模型通道順序是BGR，需要轉換一下
image_np = cv2.imread(image_path)
image_np = cv2.cvtColor(image_np, cv2.COLOR_BGR2RGB)- 使用NCS模型為輸入圖片推斷目標位置
def predict(image, graph):
image = preprocess_image(image)
graph.LoadTensor(image, None)
(output, _) = graph.GetResult()
num_valid_boxes = output[0]
predictions = []
for box_index in range(num_valid_boxes):
base_index = 7 + box_index * 7
if (not np.isfinite(output[base_index]) or
not np.isfinite(output[base_index + 1]) or
not np.isfinite(output[base_index + 2]) or
not np.isfinite(output[base_index + 3]) or
not np.isfinite(output[base_index + 4]) or
not np.isfinite(output[base_index + 5]) or
not np.isfinite(output[base_index + 6])):
continue
(h, w) = image.shape[:2]
x1 = max(0, output[base_index + 3])
y1 = max(0, output[base_index + 4])
x2 = min(w, output[base_index + 5])
y2 = min(h, output[base_index + 6])
pred_class = int(output[base_index + 1]) + 1
pred_conf = output[base_index + 2]
pred_boxpts = (y1, x1, y2, x2)
prediction = (pred_class, pred_conf, pred_boxpts)
predictions.append(prediction)
return predictions其中，首先將圖片處理為Caffe輸入格式，縮放到300x300，減均值，縮放到0-1範圍，轉浮點數
def preprocess_image(input_image):
PREPROCESS_DIMS = (300, 300)
preprocessed = cv2.resize(input_image, PREPROCESS_DIMS)
preprocessed = preprocessed - 127.5
preprocessed = preprocessed * 0.007843
preprocessed = preprocessed.astype(np.float16)
return preprocessedgraph推斷得到目標位置，類別，分數
graph.LoadTensor(image, None)
(output, _) = graph.GetResult()其中的output格式為，
[
目標數量，
class，score，xmin, ymin, xmax, ymax,
class，score，xmin, ymin, xmax, ymax,
...
]- 根據我們感興趣的類別和分數進行過濾
def predict_filter(predictions, score_thresh):
num = 0
boxes = list()
scores = list()
classes = list()
for (i, pred) in enumerate(predictions):
(cl, score, box) = pred
if cl == 21 or cl == 45 or cl == 19 or cl == 76 or cl == 546 or cl == 32:
if score > score_thresh:
boxes.append(box)
scores.append(score)
classes.append(cl)
num += 1
return num, boxes, classes, scores- 用OpenCV將當前圖片的對象數量寫到圖片右上角，用pillow（tf庫中的實現）將當前圖片的對象位置和類別在圖中標出
def add_str_on_img(image, total_cnt):
cv2.putText(image, ‘%d‘ % total_cnt, (image.shape[1] - 100, 50), cv2.FONT_HERSHEY_SIMPLEX, 1, (0, 255, 0), 2)result = vis_util.visualize_boxes_and_labels_on_image_array(
image_np,
np.squeeze(valid_boxes).reshape(num, 4),
np.squeeze(valid_classes).astype(np.int32).reshape(num, ),
np.squeeze(valid_scores).reshape(num, ),
category_index,
use_normalized_coordinates=True,
min_score_thresh=score_thresh,
line_thickness=8)- 保存圖片
cv2.imwrite(‘%s_tmp/%s‘ % (dataset_pref, image_path.split(‘/‘)[-1]),
cv2.cvtColor(result, cv2.COLOR_RGB2BGR))- 釋放神經計算棒
def ncs_clean(detection_graph, device):
detection_graph.DeallocateGraph()
device.CloseDevice()運行
python2 ncs_detection.py
結果
| 框架 | 圖片數量/張 | 耗時 |
|---|---|---|
| TensorFlow | 1800 | 60min |
| NCS | 1800 | 10min |
| TensorFlow | 1 | 2sec |
| NCS | 1 | 0.3sec |
性能提升6倍！單張圖300毫秒，可以說是毫秒級檢測了。在論壇上有霓虹國的同行嘗試後，甚至評價其為“超爆速”。
擴展
單根NCS一次只能運行一個模型，但是我們可以用多根NCS，多線程做檢測，達到更高的速度，具體可以看Reference第二條。
Reference
- https://www.pyimagesearch.com/2018/02/19/real-time-object-detection-on-the-raspberry-pi-with-the-movidius-ncs/
- https://qiita.com/PINTO/items/b97b3334ed452cb555e2
看了這麽久，還不快去給我的GitHub點star!
毫秒級檢測！你見過帶GPU的樹莓派嗎？