作者：忻怡、周楼、谦言、临在
近日，阿里云机器学习平台团队PAI通过自研的PAI-EasyCV框架复现YOLOX算法，并结合了PAI自研的PAI-Blade推理加速框架优化模型性能，使得加速过后的YOLOX-PAI在速度和精度上都比现阶段的轻量级目标检测的SOTA算法YOLOV6 提速约20%，同时，PAI-EasyCV提供高效简洁的模型部署和端到端推理接口，供社区快速体验使用YOLOX-PAI的功能。
目前，EasyCV和Blade项目已在GitHub上开源：
https://github.com/alibaba/EasyCV
https://github.com/alibaba/BladeDISC
实现方案：
1.提供了一套Apache License 训练/优化/推理的代码库以及镜像，可以实现当前社区40+mAP 量级最快（相比YOLOV6 mAP提升0.4/加速13~20%）的目标检测模型。
2.调研了YOLOX相关的改进技术和消融实验，总结了其中一些相对有帮助的改进，并以配置的方式提供出来。
3.对目标检测的端到端推理进行灵活封装及速度优化，在V100上的端到端推理为3.9ms，相对原版YOLOX的9.8ms，加速250%，供用户快速完成目标检测推理任务。
本文，我们将重点介绍如何基于PAI-EasyCV使用PAI-Blade优化模型推理过程，及如何使用PAI-EasyCV进行模型训练、验证、部署和端到端推理。欢迎大家关注和使用PAI-EasyCV和PAI-Blade，进行简单高效的视觉算法开发及部署任务。
YOLOX-PAI 精益求精的算法改进
YOLOX-PAI是阿里云机器学习平台PAI 的开源计算机视觉代码库EasyCV中集成的YOLOX 算法。通过对YOLOX 算法的分析，结合检测技术的调研，从以下4个方向对原版的YOLOX进行优化，
1.Backbone : repvgg[1] backbone
2.Neck : gsconv [2] / asff [3]
3.Head : toods[4] / rtoods
4.Loss : siou [5] / giou
在算法改进的基础上，利用PAI-Blade对改进后的的模型进行推理优化，开发了如下的PAI-YOLOX模型。具体改进的消融实验可以参考我们的[arxiv]，筛选有效改进与现有主流算法的对比结果如下：
（-ASFF 代表使用了NeckASFF， -TOODN代表使用N个中间层的TOODHead取代原有的YOLOXHead）
从结果中可以看到，相比目前同水平(1ms以内)SOTA的YOLOV6模型，融合上述改进的YOLOX-PAI在同等精度/速度的条件下有一定的速度/精度优势。(PS：上表精度测量和速度测量上与YOLOV6对齐，不包含NMS和后处理，测试精度也分图片大小等于672/640两种。)
YOLOX-PAI 简单的端到端预测
针对使用PAI-EasyCV训练的YoloX-PAI 模型，用户可以使用PAI-EasyCV自带的导出功能得到优化后的模型，并使用EasyCV 提供的TorchYoloXPredictor 进行端到端的推理。 该导出功能对检测模型进行了如下优化：
l使用PAI-Blade优化模型推理速度，简化对模型的推理加速（TensorRT/编译优化）开发流程。
l支持EasyCV配置TorchScript/PAI-Blade对图像前处理、模型推理、图像后处理分别优化，供用户灵活使用。
l支持python环境下的Predictor结构端到端的模型推理优化，简化图片预测过程。
也可以参考[EasyCV detector.py]自行组织相应的图像前处理/后处理过程，或直接使用我们导出好的模型和接口，这里提供一个已经导出好的检测模型，用户下载三个模型文件到本地[preprocess, model, meta]
用户可以直接使用PAI-EasyCV提供的Predictor接口，通过如下简单的API调用，高效的进行图像的检测任务：
YOLOX-PAI 极致性能的推理优化
下图，我们展示了YOLOX-PAI在集成PAI-Blade/torchscript优化后和原版YOLOX的不同尺寸（s/m/l/x）模型的推理耗时对比， 在开启预处理优化和模型的PAI-Blade优化后：
可以看到PAI-EasyCV导出的模型，极大程度的优化了原模型的端到端推理速度，达到了接近250%。
PAI-Blade 推理优化
PAI-Blade是由阿里云机器学习平台PAI开发的深度学习模型优化工具，可以针对不同的设备不同模型进行推理加速优化。PAI-Blade遵循易用性，鲁棒性和高性能为原则，将模型的部署优化进行高度封装，设计了统一简单的API，在完成Blade环境安装后，用户可以在不了解ONNX、TensorRT、编译优化等技术细节的条件下，通过简单的代码调用方便的实现对模型的高性能部署。更多PAI-Blade相关技术介绍可以参考 [PAI-Blade介绍]。
PAI-EasyCV中对PAI-Blade进行了支持，用户可以通过PAI-EasyCV的训练config 中配置相关的导出（export）参数，调用PAI-Blade用于优化导出模型，结合EasyCV Predictor完成图片的端到端的图像检测任务。
写在最后
YOLOX-PAI 是PAI-EasyCV团队基于旷视YOLOX 复现并优化的在V100BS32的1000fps量级下的SOTA检测模型。整体工作上集成和对比了很多社区已有的工作：替换基于RepVGG的高性能Backbone， 在Neck中添加基于特征图融合的ASFF/GSConv增强，在检测头中加入了任务相关的注意力机制TOOD结构。结合PAI-Blade编译优化技术，同等精度下比YOLOV6 加速13~20%。EasyCV提供配套了一系列算法/训练/推理优化代码和环境，目前，YOLOX-PAI已广泛的应用在阿里集团内外的互联网，智能零售，自动驾驶等客户场景中。
PAI-EasyCV（https://github.com/alibaba/EasyCV）是阿里云机器学习平台PAI研发的计算机视觉算法框架，已在集团内外多个业务场景取得相关业务落地成果，未来将聚焦在自监督学习/VisionTransformer等前沿视觉领域，并结合PAI-Blade等自研技术不断优化。欢迎大家参与进来一同进步。
相关文献
[1] Ge Z, Liu S, Wang F, et al. Yolox: Exceeding yolo series in 2021[J]. arXiv preprint arXiv:2107.08430, 2021.
[2] YOLOv6, https://github.com/meituan/YOLOv6.
[3] Xu S, Wang X, Lv W, et al. PP-YOLOE: An evolved version of YOLO[J]. arXiv preprint arXiv:2203.16250, 2022.
[4] Wang C Y, Liao H Y M, Wu Y H, et al. CSPNet: A new backbone that can enhance learning capability of CNN[C]//Proceedings of the IEEE/CVF conference on computer vision and pattern recognition workshops. 2020: 390-391.
[5] Ding X, Zhang X, Ma N, et al. Repvgg: Making vgg-style convnets great again[C]//Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. 2021: 13733-13742.
[6] Liu S, Huang D, Wang Y. Learning spatial fusion for single-shot object detection[J]. arXiv preprint arXiv:1911.09516, 2019.
[7] YOLOv5, https://github.com/ultralytics/yolov5.
[8] Li H, Li J, Wei H, et al. Slim-neck by GSConv: A better design paradigm of detector architectures for autonomous vehicles[J]. arXiv preprint arXiv:2206.02424, 2022.
[9] Feng C, Zhong Y, Gao Y, et al. Tood: Task-aligned one-stage object detection[C]//2021 IEEE/CVF International Conference on Computer Vision (ICCV). IEEE Computer Society, 2021: 3490-3499.
[10] Gevorgyan Z. SIoU Loss: More Powerful Learning for Bounding Box Regression[J]. arXiv preprint arXiv:2205.12740, 2022.
[11] Rezatofighi H, Tsoi N, Gwak J Y, et al. Generalized intersection over union: A metric and a loss for bounding box regression[C]//Proceedings of the IEEE/CVF conference on computer vision and pattern recognition. 2019: 658-666.
|
