About The Project

Use Vitis AI to deploy yolov5 on ZCU104

运行vai_q_pytorch

1）Prepare 3 files：

2）modify model

要使 PyTorch 模型可量化，需要修改模型定义，以确保修改后的模型满足以下条件:

• 要量化的模型应仅含前传方法。所有其它函数都应移出或者迁移至派生的类。这些函数通常作为预处理和后处理来工作。如果不将其移出，那么此 API 会在量化模块中将其移除，这样会在前传量化模块时导致异常行为。
• 这样浮点模型应可通过 jit 追踪测试。将浮点模块设置为评估状态，然后使用 torch.jit.trace 函数来测试浮点模型。 我们使用的yolov5模型，需要将特征提取中前传函数等多于部分去掉，修改后代码如下：

      z = []
      for i in range(nl):
          bs, _, ny, nx, _no= x[i].shape
          # x[i] = x[i].view(bs, na, no, ny, nx).permute(0, 1, 3, 4, 2).contiguous()
          if grid[i].shape[2:4] != x[i].shape[2:4]:
                  grid[i], anchor_grid[i] = _make_grid(anchors,stride,nx, ny, i)

3） vai_q_pytorch API 添加至浮点脚本

• 如果在量化前，已有经过训练的浮点模型和 Python 脚本用于对模型精度/mAP 进行求值，那么量化器 API 会将浮点模块替换为量化模块。常规求值函数鼓励量化模块前传。如果 quant_mode 标志设为“calib”，量化校准可在求值过 程中判定张量的量化步骤。校准后，将 quant_mode 设置为“test”以对量化模型进行求值。

  • 导入 vai_q_pytorch 模块

    from pytorch_nndct.apis import torch_quantizer, dump_xmodel

  • 以需要输入的量化模型来生成量化器，并获取转换后的模型。

    input = torch.randn([batch_size, 3, 224, 224])
    quantizer = torch_quantizer(quant_mode, model, (input))
    quant_model = quantizer.quant_model

  • 使用转换后的模型前传神经网络。

4）运行量化并获取结果

首先来看一下整体的文件目录结构。其中quantize.py即为量化脚本，数据集和label存放在datasets中，运行结果会生成在runs目录下。 ](<Run Exm/文件夹层级目录.png>)

• 运行含“--quant_mode calib”的命令以量化模型。

  python quantize.py --quant_mode calib --subset_len

  ](<Run Exm/calib.png>)

  • 此时量化开始，并且成功加载数据集和模型。并且量化后，开始对数据集中的模型进行预测。 ](<Run Exm/calib_中间过程.png>)

  • 可以看到第一步calib运行完成，可以去runs文件夹中查看运行结果。 ](<Run Exm/calib_final.png>)

  • 生成了量化后模型对数据集的预测，还有量化后模型的各项指标参数：F1、P、R、PR。

• 要生成 xmodel 进行编译（以及 onnx 格式量化模型），批次大小应为 1。设置 subset_len=1 可避免冗余迭代，并运行以下命令：

  python quantize.py --quant_mode test --subset_len 1 --batch_size=1 --deploy

  • 同样，结果也会生成在runs文件夹下。

5） 生成可执行文件Xmodel

• 运行以下命令即可，需要注意的是要选择自己板卡所对应的DPU型号。

  vai_c_xir -x ./quantize_result/DetectMultiBackend_int.xmodel -a /opt/vitis_ai/compiler/arch/DPUCZDX8G/ZCU104/arch.json -o ./ -n model

  到生成了我们所需要的Xmodel可执行文件。