AI算法创新赛-人车目标检测竞赛总结05_yolov5s6和yolov5s-程序员宅基地

队伍：AI0000043

1. 算法方案

由于赛题同时要求速度和精度，所以我们优先考虑小模型，在保证模型速度的同时通过模型调优稳定提升模型精度。此外，由于图片分辨率比较大，且数据集中小目标占比高，我们计划使用更大的图片尺寸输入，这就要求网络具有更大的感受野，所以我们使用yolov5s6而不是yolov5s作为我们的 baseline。

同时，为了稳步提升模型性能，我们在使用一些通用tricks的同时，例如coco数据集的预训练权重，多尺度训练，模型平均以及同步BN，还使用了大量的数据增强来进一步增强网络的泛化性，使用的数据增强包括RandomFlip、Mosaic、Mixup、Cutout、Blur和ToGray，整体方案如下:

Yolov5 s6 + 4head
大量数据增强(randomflip、mosaic、mixup、cutout、albu库等) img size896 + multi-scale training
300epochs训练周期
int8模型量化

2. 模型移植

我们在模型移植方面进行了大量的尝试以及实验，整体思路是在保持或是较小影响模型性能的同时，尽可能提升模型推理速度，技术路线分为Pytorch2Fp32bmodel和Pytorch2Int8bmodel

Pytorch→FP32bmodel

由于我们使用的是s6模型，输出个数、锚框尺寸以及下采样倍数与主办方提供的s模型不同，所以我们需要修改推理脚本中的anchor generator来适配，最终模型的输出结果与pt输出结果基本一致，且速度相较于jit模型推理有显著提升。

Pytorch→Int8bmodel

我们通过模型量化来进一步提升模型的推理速度。在量化过程中，我们也碰到了一些问题。首先是量化时间过长。通常来说，量化数据集图片数量多的话，量化的精度损失也会下降，我们在实验中发现，使用所有数据集(训练集+val_a+val_b)需要超过20h的量化耗时，使用验证集(val_a+val_b)需要大概 10~20h的量化耗时，使用val_b能够将量化用时控制在10h以内。为了解决量化时间过长的问题，我们最终只将b榜验证集作为我们的量化数据集，专注于降低模型在b榜数据集上的量化误差。第二个问题是量化后模型精度下降过大，考虑到网络某些层由于作用明显，不适合int8量化，所以在实际量化过程中，由于网络检测头的卷积输出坐标以及得分等关键信息，我们对其使用fp32单独量化。此外，由于一键量化工具会自动进行量化策略搜索，但对同一模型搜索路线是相同的，所以我们通过使用一键量化工具量化多个模型取最优来保证量化后的模型性能。最后，我们还进行了其它尝试，比如将模型量化的误差指标由feature_similarity更换为detect_accuracy，在分步量化时通过calibration_use_pb命令行添加- th_method指定计算各个层量化阈值的方法。最终我们量化后的模型在推理速度上相较于fp32的模型能够提升22ms，虽然AP50有所下降，但是最终得分还是得到了显著提高。

3. 模型推理

在模型推理的优化上，我们的策略如下:

改进NMS
优化后处理，裁剪越界框
进行尺度实验，权衡模型的速度和精度

在具体实验中，我们观察到原有的nms实现太耗时，我们尝试使用nms变种进行替换，在尝试过 fast_nms等nms变种后，我们最终引入torchvision.ops.nms来替换原本的nms，改进的nms能在保持模型精度的同时，提升模型推理速度10ms。此外，原有的推理脚本未对越界框进行处理，使得模型的输出结果中包含许多跨出边界的检测框，我们将这些跨出边界的检测框限制在图像尺寸内，这个操作能够在不影响推理速度的同时，提升AP50大约0.5个点。最后，我们还进行了大量的尺度实验来权衡速度和精度，包括960尺度训练(960尺度推理)、960尺度训练(896尺度推理)、896尺度训练(896尺度推理)等，最终使用方案896尺度训练(896尺度推理)

4. 参赛感悟与建议

由于时间原因，模型还有更多的优化空间，我们未来考虑从以下三方面来进行优化:

模型训练优化:在同等模型大小下，通过一些训练技巧，模型精度还能得到进一步的提升
模型量化优化:Int8量化后的模型精度有所下降，可以尝试更多的优化策略来减少精度的损失，从而进一步提升模型的性能
推理过程优化:多batch size推理，多卡多线程推理

在这里，也感谢算能平台提供的机会以及资源，让我们对TPU有了进一步的了解。在有限的比赛时间内，我们也发现了一些问题，比如说明文档的不完善，在比赛过程中，我们有考虑使用多卡多线程推理，但是在阅读过平台相关的说明文档后，发现这方面的资料稀少且表述不清晰，所以最终也没有成功实现，另外就是推理脚本的不完善，在比赛过程中，我们通过优化推理脚本就显著提高了模型的推理速度，模型的推理脚本仍有很大的优化空间。最终衷心祝愿算能平台能发挥自身优势，越来越好。

本文链接：https://blog.csdn.net/lily_19861986/article/details/129196888

原作者删帖不实内容删帖广告或垃圾文章投诉

智能推荐

java发送http请求获取响应结果【工具包系列】_httpprotocolhandler-程序员宅基地

文章浏览阅读5.7k次。import org.apache.commons.httpclient.HttpException;import org.apache.commons.httpclient.NameValuePair;import org.apache.log4j.Logger;import java.io.BufferedReader;import java.io.IOException;impo_httpprotocolhandler

酷开会员 | 有了酷开系统和好朋友一起K歌，客厅秒变KTV-程序员宅基地

文章浏览阅读184次。每个人都轮流上台演唱，有的人歌声婉转动听，有的人歌声豪放有力，有的人歌声深情款款。酷开系统是一款高度智能化的电视操作系统，它有着丰富的功能和应用，其中的大屏K歌，更是成为了很多消费者的心头好。酷开系统的K歌版块中拥有大量的歌曲，包括流行金曲、经典老歌、网络热歌等等，不管你喜欢什么曲目、什么风格，你的音乐需求在这里都能得到满足。虽然家中没有激情的舞台和华丽的灯光，但我们有真挚的情感和热情的朋友。酷开系统的大屏K歌还有许多有趣的功能，比如评分系统，可以对我们的演唱进行打分，让我们知道自己的唱歌水平如何。

Android系统移植与调试之------->如何修改Android默认字体大小和设置里面字体大小比例_源泉怎么改初始字体-程序员宅基地

文章浏览阅读5.5k次，点赞2次，收藏2次。因为我修改 ro.sf.lcd_density的值，将它从160修改为120，所以导致整个系统的字体都变得很小。因此需要将整个字体变大，并且在设置-->显示-->字体大小的4个选项的值都必须变大。我想到的思路是将字体的缩放比例调大一些，下面是我的修改步骤。1、修改默认字体的大小Step1: 修改frameworks/base/core/java/android/content/res_源泉怎么改初始字体

面向对象--领域模型，设计模型，实现模型总结-程序员宅基地

文章浏览阅读1.1k次。--基于面向对象葵花宝典读书总结。领域建模是面向对象真正开始。2个作用：发掘重要的业务领域概念；建立业务领域之间的关系。找名词：从用例中找名词。加属性：找出名词的属性。连关系：使用ER图，连类的关系。设计模型：领域模型只是从用例模型中提炼出反应业务领域的概念，还不是软件类。设计模型就是实现领域类到软件类的转换。静态模型：类模型，类的名词..._设计模型和领域模型

Spring Boot 2.x监控数据可视化(Actuator + Prometheus + Grafana手把手)-程序员宅基地

文章浏览阅读1.2w次，点赞10次，收藏21次。TIPS本文基于Spring Boot 2.1.4，理论支持Spring Boot 2.x所有版本众所周知，Spring Boot有个子项目Spring Boot Actuator，它为应用提供了强大的监控能力。从Spring Boot 2.0开始，Actuator将底层改为Micrometer，提供了更强、更灵活的监控能力。Micrometer是一个监控门面，可以类比成监控界的 Slf4...

pandas dataframe 两列转字典_dataframe两列变字典-程序员宅基地

文章浏览阅读6.3k次，点赞2次，收藏25次。在数据处理时，时常需要将数据表的两列转化为字典映射形式df[[‘A’,‘B’]] -----> dict(key:A, value:B)方法一：使用zipd = dict(zip(df['A'],df['B']))import pandas as pdimport numpy as nptest_dict = {'id':[1,2,3,4,5,6],'name':['Alice','Bob','Cindy','Eric','Helen','Grace '],'gender':[0,_dataframe两列变字典