欢迎各位star/fork本repo并进行学习交流。
【注】：提Support Request/New Requirement前请先star。
视频教程：基于高通SNPE推理引擎的yolov5目标检测算法——项目简介
上图源自Snapdragon Neural Processing Engine SDK Reference Guide，它展示了一个Deep Learning Neural Network在SNPE环境下的Workflow。本repo主要关注Workflow中的第二个阶段，当你拥有一个预训练模型（以yolov5s.onnx为例），如何从Model Convert到SNPE Enabled App，如官方教程所言，主要有以下四个步骤：
- Model Convert：把
.tf/.tflite/.onnx/caffe/caffe2/.pt等网络预训练模型转换为一个能够被SNPE加载的DLC文件。 - Model Quantize：量化模型，以便能在Hexagon DSP上运行（可选项）。
- SNPETask：使用SNPE runtime加载模型并完成推理。
- YOLOv5s：Pre-process（处理输入）和Post-process（处理输出）。
ts@ts-OptiPlex-7070:~/workSpace/SNPE_Tutorial$ tree
.
├── alg # Encapsulation for AIRunner.
│ └── yolov5s
│ ├── AlgInterface.h
│ ├── AlgYolov5s.cpp
│ ├── CMakeLists.txt
│ ├── Common.h
│ └── yolov5s.json
├── benchmark # Benchmark files.
│ └── yolov5s
│ ├── create_raw.py
│ ├── cropped
│ ├── results
│ │ └── benchmark_stats_YOLOv5s.csv
│ ├── snpe-bench_cmds.sh
│ ├── target_raw_list.txt
│ ├── yolov5s.dlc
│ └── yolov5s_example.json
├── build.sh
├── CMakeLists.txt
├── doc # Tutorial documents.
│ ├── Benchmark.md
│ ├── FAQ.md
│ ├── images
│ ├── ModelConvert.md
│ ├── ModelQuantize.md
│ ├── SNPETask.md
│ └── YOLOv5s.md
├── images
├── lib
│ ├── libAlgYolov5s.so
│ └── libYOLOv5s.so # ELF of YOLOv5s SDK.
├── LICENSE
├── model
│ ├── yolov5s_full.dlc # DLC format model converted from yolov5s_full.onnx.
│ ├── yolov5s_full.onnx # ONNX format model converted from YOLOv5s v6.0 .pt.
│ ├── yolov5s_labels.txt # Classes of YOLOv5s.
│ ├── yolov5s.onnx # Cropped ONNX format model converted from cropped YOLOv5s v6.0 .pt.
│ ├── yolov5s_v2.5.dlc # DLC format model converted from yolov5s.onnx.
│ ├── yolov5s_v2.5_quantized.dlc # Quantized DLC format model of yolov5s_v2.5.dlc
│ └── yolov5s_v2.5.txt # DLC information of yolov5s_v2.5.dlc.
├── README.md
├── snpetask # SNPE runtime SDK.
│ ├── SNPETask.cpp
│ └── SNPETask.h
├── test # Test program.
│ ├── test_image # Image input.
│ │ ├── CMakeLists.txt
│ │ ├── config.json
│ │ ├── main.cpp
│ │ ├── orange.jpeg
│ │ └── people.jpg
│ └── test_video # Stream input.
│ ├── CMakeLists.txt
│ ├── config.json
│ ├── main.cpp
│ ├── SafeQueue.h
│ ├── VideoAnalyzer.cpp
│ ├── VideoAnalyzer.h
│ ├── VideoPipeline.cpp
│ ├── VideoPipeline.h
│ └── yolov5s_thresholds.txt
├── utility
│ ├── Logger.h # Singleton logger based on spdlog library.
│ └── utils.h
└── yolov5s # YOLOv5s Inference SDK.
├── CMakeLists.txt
├── inc
│ ├── YOLOv5s.h
│ └── YOLOv5sImpl.h
└── src
├── YOLOv5s.cpp
└── YOLOv5sImpl.cpp
19 directories, 87 files- 开发平台：Qualcomm® QRB5165 (Linux-Ubuntu 18.04)
- 图形界面：Weston(Wayland)
- 开发框架：Gstreamer-1.14.5，OpenCV-4.5.5
- 算法引擎：snpe-2.5.0.4052
- 算法示例模型：YOLOv5s.onnx
- 第三方库：gflags，json-glib-1.0，glib-2.0，spdlog-1.10.0，jsoncpp-1.7.4，mosquitto，mosquitto-clients
- 构建工具：CMake-3.10.2
- 打包工具：checkinstall-1.6.2
# SNPE Runtime Library需要用户从官方链接下载并放到开发板指定目录
# CMake/OpenCV/spdlog需要用户编译安装
# yolov5s.onnx预训练模型可以从官方repo通过export.py获取，详细流程请阅读：./doc/ModelConvert.md
# 其余依赖可以使用apt-get install安装
# sudo apt-get install libjson-glib-dev libgflags-dev libjsoncpp-dev libmosquitto-dev mosquitto mosquitto-clientsBuild/Install with CMake
mkdir build
cd build
cmake ..
make installBuild/Install with build.sh
项目使用CMakeLists.txt进行构建和包管理，并提供了build.sh脚本用于构建整个项目，运行成功将输出如下log：
假如编译失败则会输出[failed]，相应的build deb package也会失败。
【注】：build.sh主要功能在于打包，不处理编译依赖。例如OpenCV需要用户修改CMakeLists.txt中中的OpenCV_DIR。
【注】：build.sh的打包功能依赖于checkinstall，需要确保make install能够成功运行，打包才能成功。
build目录下将包含如下信息，相关.so文件会被重定向到${CMAKE_SOURCE_DIR}/lib目录：
其中test-yolov5为测试程序，alg-yolov5s-01-linux_2.0-rel_arm64.deb为checkinstall追踪make install生成的deb安装包。
alg-yolov5s-01-linux_2.0-rel_arm64.deb可以直接使用dpkg - i命令安装，内含YOLOV5S SDK和AIRunner ALG两部分内容，均被安装至/opt/thundersoft/目录下，详细安装路径可以参考CMakeLists.txt中的install语句。
测试程序test-yolov5使用gflags库进行命令行参数解析，可配置的参数及默认值如下：
Flags from /home/tc-eb5/local/SNPE_Tutorial/test/main.cpp:
-confidence (Confidence Threshold.) type: double default: 0.5
-config_path (Model config file path.) type: string
default: "./yolov5s.json"
-input (Input image file for this test program.) type: string
default: "./image.jpg"
-labels (Labels file for the yolov5s model.) type: string
default: "./labels.txt"
-nms (NMS Threshold.) type: double default: 0.5测试程序将根据用户运行参数来初始化YOLOV5S Inference SDK对象并对输入图像进行推理，以下是在build目录下的一个运行样例：
./test/test_image/test-image --input ../test/test_image/people.jpg --labels ../model/yolov5s_labels.txt --config_path ../test/test_image/config.json上述命令以test目录下的people.jpg为待检测图片，使用model目录下的yolov5s_labels.txt作为模型类别输入，yolov5s目录下的yolov5s.json作为模型配置文件。
yolov5s.json为模型的一些基础描述信息，包括模型路径，推理runtime，输出结果的格式，输入输出层名称。这些内容都与模型强相关，在yolov5s/YOLOv5s.cpp的实现中，我把这一系列可配置的参数都开放出来了，以此增加代码对不同模型的适配能力。
{
"model-path":"../model/yolov5s.dlc",
"runtime":"CPU",
"labels":85, // 5 + 检测类别数量
"grids":25200,
"input-layers":[ // 输入层名称
"images"
],
"output-layers":[ // 输出层名称
"Sigmoid_199",
"Sigmoid_201",
"Sigmoid_203"
],
"output-tensors":[ // 输出网络名称
"output",
"329",
"331"
]
}
test_video基于GStreamer框架，能够读取RTSP流并解码传递给Inference SDK进行推理，通过MQTT协议将推理结果发到MQTT Broker上，整体架构简图所示：
VideoPipeline：视频解码模块，使用uridecodebin插件，能够处理RTSP流或MP4视频文件。
VideoAnalyzer：视频分析模块，依赖libYOLOv5s.so，完成推理并发送JSON格式的MQTT消息。
SaftyQueue：生产者消费者队列，VideoPipeline生产帧，VideoAnalyzer消耗帧。
# 运行test-video前确保MQTT Broker服务已经启动，可以使用`systemctl status mosquitt`查看
# systemctl status mosquitto
./test/test_video/test-video --config_path ../test/test_video/config.json
# 新建终端，订阅test-topic即可看到推理结果
mosquitto_sub -t test-topic一帧的推理结果输出的MQTT消息如下所示：
{
"results" : [
{
"bbox" : {
"height" : 297,
"width" : 225,
"x" : 204,
"y" : 366
},
"confidence" : 0.62800467014312744,
"label" : "potted plant",
"model" : "yolov5s-1"
},
{
"bbox" : {
"height" : 135,
"width" : 39,
"x" : 6,
"y" : 606
},
"confidence" : 0.50076133012771606,
"label" : "tv",
"model" : "yolov5s-1"
}
],
"timestamp" : "1666162461677"
}输入配置文件含义注释如下：
{
"pipeline-config":{
"camera-url":"rtsp://admin:[email protected]:554", // RTSP流URL
"stream-width":1920, // 输出图像尺寸
"stream-height":1080,
"output-format":"RGB", // 输出图像格式
"fps-n":25, // 输出帧率控制参数，暂未支持
"fps-d":1
},
"model-configs":[ // 模型配置，与test_image相同
{
"model-name":"yolov5s-1",
"model-path":"../model/yolov5s.dlc",
"label-path":"../model/yolov5s_labels.txt",
"threshold-path":"../test/test_video/yolov5s_thresholds.txt", // MQTT消息基于每个类的置信度过滤阈值，为80个float值（yolov5s支持80个类）
"runtime":"DSP",
"labels":85,
"grids":25200,
"input-layers":[
"images"
],
"output-layers":[
"Sigmoid_199",
"Sigmoid_201",
"Sigmoid_203"
],
"output-tensors":[
"output",
"329",
"331"
],
"global-threshold":0.2 // Inference SDK全局置信度阈值，必须比threshold-path中的值要小
}
],
"mqtt-config":{ // MQTT Client配置信息
"topic-name":"test-topic", // MQTT Topic
"ip":"127.0.0.1",
"port":1883,
"keepalive":3,
"QoS":1,
"send-base64":false // MQTT消息是否带Base64格式的图片，debug用
}
}
React
Typescript
Django
Laravel
Facebook
Microsoft
Google
Alibaba
D3
Tencent