一

背景

目標(biāo)檢測(cè)是計(jì)算機(jī)視覺(jué)領(lǐng)域一項(xiàng)重要的任務(wù)。開(kāi)集目標(biāo)檢測(cè)（Open-set Object Detection）與閉集目標(biāo)檢測(cè)（Closed-set Object Detection）是目標(biāo)檢測(cè)領(lǐng)域的兩個(gè)概念。

之前我們已經(jīng)適配了基于Transformer結(jié)構(gòu)的開(kāi)集目標(biāo)檢測(cè)經(jīng)典之作：OWL-ViT（Open-World Localization with Vision Transformers）。去年大模型、多模態(tài)模型學(xué)術(shù)界的研究也取得了爆發(fā)式的進(jìn)展，代表作是由IDEA-Research提出的GroundingDINO ，雖然GroundingDINO效果不錯(cuò)，但畢竟是學(xué)術(shù)界的成果，在邊緣側(cè)/端側(cè)AI芯片上部署性能并不容易和理想。

到了2024年，是否學(xué)術(shù)界/工業(yè)級(jí)已經(jīng)迭代出了更快、更強(qiáng)、更易部署的開(kāi)集目標(biāo)檢測(cè)模型了呢？

當(dāng)然有！它就是接下來(lái)走馬觀花分享的開(kāi)集目標(biāo)檢測(cè)工業(yè)級(jí)力作：YOLO-World。同時(shí)我們還嘗試在AX650N、AX620Q上完成端到端的部署，給行業(yè)內(nèi)對(duì)邊緣側(cè)/端側(cè)部署開(kāi)集目標(biāo)檢測(cè)模型的愛(ài)好者提供一種新的思路。

二

YOLO-World介紹

● 官方在線DEMO：

https://www.yoloworld.cc/

● 論文傳送門(mén)：

https://arxiv.org/pdf/2401.17270

● Github項(xiàng)目：

https://github.com/AILab-CVC/YOLO-World

YOLO-World由Tencent AI Lab、ARC Lab (AI Research Center) at Tencent PCG (Platform and Content Group) 以及華中科技大學(xué)電子信息與通信學(xué)院（School of EIC, Huazhong University of Science & Technology）合作提出的一個(gè)創(chuàng)新的實(shí)時(shí)開(kāi)放詞匯目標(biāo)檢測(cè)方法，它通過(guò)結(jié)合視覺(jué)-語(yǔ)言建模和大規(guī)模數(shù)據(jù)集上的預(yù)訓(xùn)練，增強(qiáng)了YOLO（You Only Look Once）檢測(cè)器的開(kāi)放詞匯檢測(cè)能力。

YOLO-World的主要貢獻(xiàn)和特點(diǎn)包括：

●開(kāi)放詞匯檢測(cè)能力：YOLO-World能夠檢測(cè)超出預(yù)定義類別的更廣泛對(duì)象，這對(duì)于現(xiàn)實(shí)世界的復(fù)雜場(chǎng)景非常有用，因?yàn)楝F(xiàn)實(shí)世界中的對(duì)象類別是多樣且不斷變化的；

● 高效率：YOLO-World在保持高準(zhǔn)確度的同時(shí)，還實(shí)現(xiàn)了高效率的檢測(cè)，這對(duì)于需要實(shí)時(shí)處理的應(yīng)用場(chǎng)景（如自動(dòng)駕駛、監(jiān)控等）至關(guān)重要；

●Re-parameterizable Vision-Language Path Aggregation Network (RepVL-PAN)：提出了一個(gè)新的網(wǎng)絡(luò)結(jié)構(gòu)RepVL-PAN，它通過(guò)更好的視覺(jué)-語(yǔ)義表示來(lái)增強(qiáng)文本和圖像特征之間的交互；

●區(qū)域-文本對(duì)比損失：引入了一種新的區(qū)域-文本對(duì)比損失函數(shù)，以促進(jìn)模型學(xué)習(xí)區(qū)域和文本之間的對(duì)應(yīng)關(guān)系，這對(duì)于開(kāi)放詞匯檢測(cè)的性能至關(guān)重要；

● 預(yù)訓(xùn)練方案：論文提出了一種有效的預(yù)訓(xùn)練方案，通過(guò)在大規(guī)模檢測(cè)、定位和圖像-文本數(shù)據(jù)集上進(jìn)行區(qū)域-文本對(duì)比學(xué)習(xí)，將檢測(cè)數(shù)據(jù)、定位數(shù)據(jù)和圖像-文本數(shù)據(jù)統(tǒng)一為區(qū)域-文本對(duì)；

●零樣本性能：在LVIS數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果表明，YOLO-World在零樣本設(shè)置下取得了35.4的平均精度（AP），同時(shí)保持了52.0 FPS的高幀率，這顯示了其在大規(guī)模詞匯檢測(cè)上的強(qiáng)大能力（精度&速度均領(lǐng)先 GLIP和Grounding DINO）；

●下游任務(wù)的適應(yīng)性：預(yù)訓(xùn)練后的YOLO-World在多個(gè)下游任務(wù)上表現(xiàn)出色，包括對(duì)象檢測(cè)和開(kāi)放詞匯實(shí)例分割，這表明了其良好的泛化能力；

●開(kāi)源代碼和模型：論文承諾將預(yù)訓(xùn)練的權(quán)重和代碼開(kāi)源，以便于更多的實(shí)際應(yīng)用和進(jìn)一步的研究。

總的來(lái)說(shuō)，YOLO-World的提出為實(shí)時(shí)目標(biāo)檢測(cè)領(lǐng)域帶來(lái)了新的視角，特別是在處理開(kāi)放詞匯和提高模型泛化能力方面，它的創(chuàng)新方法和優(yōu)異性能為未來(lái)的目標(biāo)檢測(cè)研究和應(yīng)用奠定了基礎(chǔ)。

三

愛(ài)芯派Pro（AX650N）

搭載愛(ài)芯元智第三代高能效比智能視覺(jué)芯片AX650N。集成了八核Cortex-A55 CPU，高能效比NPU，支持8K@30fps的ISP，以及H.264、H.265編解碼的VPU。接口方面，AX650N支持64bit LPDDR4x，多路MIPI輸入，千兆 Ethernet、USB、以及HDMI 2.0b輸出，并支持32路1080p@30fps解碼內(nèi)置高算力和超強(qiáng)編解碼能力，滿足行業(yè)對(duì)高性能邊緣智能計(jì)算的需求。通過(guò)內(nèi)置多種深度學(xué)習(xí)算法，實(shí)現(xiàn)視覺(jué)結(jié)構(gòu)化、行為分析、狀態(tài)檢測(cè)等應(yīng)用，高效率支持基于Transformer結(jié)構(gòu)的視覺(jué)大模型和語(yǔ)言類大模型。提供豐富的開(kāi)發(fā)文檔，方便用戶進(jìn)行二次開(kāi)發(fā)。

四

愛(ài)芯派Zero（AX620Q）

搭載愛(ài)芯元智第四代智能視覺(jué)芯片AX620Q，該芯片集成新一代智眸4.0 AI-ISP，最高支持5MP@30fps實(shí)時(shí)真黑光，同時(shí)集成新一代通元4.0高性能、場(chǎng)景優(yōu)化的NPU引擎，使得產(chǎn)品在低功耗、高畫(huà)質(zhì)、智能處理和分析等方面行業(yè)領(lǐng)先。提供穩(wěn)定易用的SDK軟件開(kāi)發(fā)包，方便用戶低成本評(píng)估、二次開(kāi)發(fā)和快速量產(chǎn)。幫助用戶在智能家居應(yīng)用和其他AIoT項(xiàng)目中發(fā)揮更大的價(jià)值。

五

模型獲得

相關(guān)材料

為方便大家轉(zhuǎn)換，我們提供一些必要的參考文件：

https://pan.baidu.com/share/init?surl=HIXFkv_OjqbnTx-9WhZ00Q&pwd=y94b

ONNX導(dǎo)出

雖然YOLO World相比Grounding DINO在工業(yè)部署上已經(jīng)方便很多，但由于開(kāi)集目標(biāo)檢測(cè)網(wǎng)絡(luò)結(jié)構(gòu)必然的復(fù)雜性，仍然存在一些Trick值得深究。因此我們熟悉的創(chuàng)新模型部署大佬（ZHEQIUSHUI）貢獻(xiàn)了一些微不足道的修改（YOLO -World Optimize，https://github.com/ZHEQIUSHUI/YOLO-World/tree/not_einsum），在不影響精度的情況下，讓后續(xù)的上板部署更佳便捷。

python環(huán)境安裝

conda create --name=yolo_world python=py3.9
conda activate yolo_world

其他依賴安裝

pip install torch==1.11.0+cpu torchvision==0.12.0+cpu torchaudio==0.11.0 --extra-index-url https://download.pytorch.org/whl/cpu -i https://pypi.tuna.tsinghua.edu.cn/simple
pip install mmcv==2.0.0 -i https://pypi.tuna.tsinghua.edu.cn/simple
pip install mmdet==3.0.0 -i https://pypi.tuna.tsinghua.edu.cn/simple
pip install onnx onnxruntime onnxsim -i https://pypi.tuna.tsinghua.edu.cn/simple
pip install transformer -i https://pypi.tuna.tsinghua.edu.cn/simple
pip install git+https://github.com/lvis-dataset/lvis-api.git -i https://pypi.tuna.tsinghua.edu.cn/simple

YOLO-World安裝并下載權(quán)重

git clone -b not_einsum --recursive https://github.com/ZHEQIUSHUI/YOLO-World.git
cd YOLO-World
pip install -e . -i https://pypi.tuna.tsinghua.edu.cn/simple
wget https://huggingface.co/wondervictor/YOLO-World/resolve/main/yolo_world_s_clip_base_dual_vlpan_2e-3adamw_32xb16_100e_o365_goldg_train_pretrained-18bea4d2.pth

導(dǎo)出ONNX

python deploy/export_onnx.py configs/pretrain/yolo_world_v2_s_vlpan_bn_2e-3_100e_4x8gpus_obj365v1_goldg_train_lvis_minival.py ./yolo_world_v2_s_obj365v1_goldg_pretrain-55b943ea.pth --custom-text data/texts/coco_class_texts.json --opset 11 --device cpu --model-only --simplify

完成以上操作后，我們將得到y(tǒng)olo_world_v2_s_obj365v1_goldg_pretrain-55b943ea.onnx模型。

六

模型轉(zhuǎn)換

ONNX模型優(yōu)化

在使用pulsar2工具鏈轉(zhuǎn)換之前，先對(duì)前一步獲得的yolo_world_v2_s_xxx.onnx模型進(jìn)行必要的計(jì)算圖優(yōu)化，便于提高模型部署效率。使用onnx_edit.py優(yōu)化完成后，將獲得yolo_world_v2_s_xxx-sub.onnx。

import onnx


input_path = "work_dir/yolo_world_v2_s_obj365v1_goldg_pretrain-55b943ea.onnx"
output_path = "work_dir/yolo_world_v2_s_obj365v1_goldg_pretrain-55b943ea-sub.onnx"
input_names = ["images"]
output_names = [
  "onnx::Reshape_1191",
  "onnx::Reshape_1260",
  "onnx::Reshape_1329",
  
  "onnx::Reshape_1172",
  "onnx::Reshape_1241",
  "onnx::Reshape_1310",
]


onnx.utils.extract_model(input_path, output_path, input_names, output_names)

Pulsar2編譯

Pulsar2是新一代AI工具鏈，包含模型轉(zhuǎn)換、離線量化、模型編譯、異構(gòu)調(diào)度四合一超強(qiáng)功能，進(jìn)一步強(qiáng)化了網(wǎng)絡(luò)模型高效部署的需求。在針對(duì)第三代、第四代NPU架構(gòu)進(jìn)行了深度定制優(yōu)化的同時(shí)，也擴(kuò)展了算子&模型支持的能力及范圍，對(duì)Transformer結(jié)構(gòu)的網(wǎng)絡(luò)也有較好的支持。

一鍵完成圖優(yōu)化、離線量化、編譯、對(duì)分功能。整個(gè)過(guò)程耗時(shí)不到2分鐘，log信息量很大。

qtang@gpux2:$ pulsar2 build --input yolo_world_v2_s_obj365v1_goldg_pretrain-55b943ea-sub.onnx 
--config yolo-world.json 
--output_dir output 
--target_hardware AX650 
--npu_mode NPU3 --output_name yolo_world_s_u8_npu3.axmodel


32 File(s) Loaded.
Building onnx ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ 100% 0:00:00
                          Quant Config Table
┏━━━━━━━━┳━━━━━━━━━━━━━━━━━━┳━━━━━━━━━━━━━━━━━━━┳━━━━━━━━━━━━━┳┓
┃ Input ┃ Shape      ┃ Dataset Directory ┃ Data Format ┃ Tensor Format ┃ Mean      ┃ Std         ┃
┡━━━━━━━━╇━━━━━━━━━━━━━━━━━━╇━━━━━━━━━━━━━━━━━━━╇━━━━━━━━━━━━━╇┩
│ images │ [1, 3, 640, 640] │ images      │ Image    │ BGR      │ [0.0, 0.0, 0.0] │ [255.0, 255.0, 255.0]│
└────────┴──────────────────┴───────────────────┴─────────────┴┘
Transformer optimize level: 1
32 File(s) Loaded.
[00:55:22] AX Set Float Op Table Pass Running ...     Finished.
[00:55:22] AX Set MixPrecision Pass Running ...      Finished.
[00:55:22] AX Transformer Optimize Pass Running ...    Finished.
[00:55:22] AX Set LN Quant dtype Quant Pass Running ...  Finished.
[00:55:22] AX Topk Operation Format Pass Running ...   Finished.
[00:55:22] AX Reset Mul Config Pass Running ...      Finished.
[00:55:22] AX Refine Operation Config Pass Running ...  Finished.
[00:55:22] AX Tanh Operation Format Pass Running ...   Finished.
[00:55:22] AX Confused Op Refine Pass Running ...     Finished.
[00:55:23] AX Quantization Fusion Pass Running ...    Finished.
[00:55:23] AX Quantization Simplify Pass Running ...   Finished.
[00:55:23] AX Parameter Quantization Pass Running ...   Finished.
Calibration Progress(Phase 1): 100%|██████████████████████| 32/32 [00:26<00:00, ?1.23it/s]
Finished.
[0049] AX Quantization Alignment Pass Running ... ? ? Finished.
[0049] AX Refine Int Parameter Pass Running ... ? ? ? Finished.
Finished.
[0050] AX Passive Parameter Quantization Running ... ?Finished.
[0050] AX Parameter Baking Pass Running ... ? ? ? ? ? Finished.
......
Network Quantization Finished.
quant.axmodel export success: 50_output/yolo_world_s/quant/quant_axmodel.onnx
Building native ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ 100% 000
......
tiling op... ? ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ 253/253 000
new_ddr_tensor = []
build op serially... ? ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ 613/613 0:00:07
build op... ? ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ 1198/1198 0:00:00
.......
2024-04-11 00:56:03.533 | INFO ? ? | yasched.test_onepass2467 - max_cycle = 4,302,999
build jobs ? ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ 3796/3796 0:00:00
2024-04-11 00:56:08.932 | INFO ? ? | yamain.command.build1110 - fuse 1 subgraph(s)

編譯輸出的文件，保存在output文件夾中，其中 yolo_world_s_u8_npu3.axmodel將用于在AX650N Demo板上運(yùn)行。

七

上版部署

AX-Samples

開(kāi)源項(xiàng)目AX-Samples實(shí)現(xiàn)了常見(jiàn)的深度學(xué)習(xí)開(kāi)源算法在愛(ài)芯元智的AI SoC上的示例代碼，方便社區(qū)開(kāi)發(fā)者進(jìn)行快速評(píng)估和適配。

最新版本已開(kāi)始提供AX650系列（AX650A、AX650N）、AX620E系列（AX630C、AX620E）的NPU示例，其中也包含了本文介紹的YOLO-World參考代碼。

https://github.com/AXERA-TECH/ax-samples

運(yùn)行

/opt/test # ./ax_yolo_world -i ssd_horse.jpg -m yolo_world_s_u8_npu3.axmodel
--------------------------------------
model file : yolo_world_s_u8_npu3.axmodel
image file : ssd_horse.jpg
img_h, img_w : 640 640
--------------------------------------
Engine creating handle is done.
Engine creating context is done.
Engine get io info is done.
Engine alloc io is done.
Engine push input is done.
--------------------------------------
post process cost time:3.80 ms
--------------------------------------
Repeat 1 times, avg time 4.52 ms, max_time 4.52 ms, min_time 4.52 ms
--------------------------------------
detection num: 6
17: 98%, [ 216,  71, 420, 374], horse
16: 93%, [ 144, 204, 197, 347], dog
13: 86%, [ 469, 149, 499, 178], bench
 0: 76%, [ 431, 124, 451, 178], person
 0: 74%, [ 271,  13, 348, 236], person
 2: 69%, [  0, 105, 133, 196], car
--------------------------------------

AX650N運(yùn)行YOLO-World S耗時(shí) ＜5 ms，完全滿足實(shí)時(shí)運(yùn)行需求。

性能統(tǒng)計(jì)

目前我們已經(jīng)完成了基于AX650N、AX630C、AX620Q芯片平臺(tái)的YOLO-World適配。

八

結(jié)束語(yǔ)

隨著Open-Vocabulary Object Detection網(wǎng)絡(luò)模型的快速發(fā)展，越來(lái)越多有趣的多模態(tài)AI應(yīng)用將逐漸從云端服務(wù)遷移到邊緣側(cè)設(shè)備和端側(cè)設(shè)備。



審核編輯：劉清