CV学习笔记tensorrt之centernet加速

1、前言 在学习过程中发现,基于anchor base的模型十分常见，如yolov系列，但其实基于anchor frre的模型也有很多，效果也不错，如yolox、centerner等。本文主要介绍centernet的后处理方法方式，对比之前的代码，并在cpp和python中进行部分优化了，在python中使用tensorrt推理，在cpp中使用tensorr推理，并在cpu中和gpu中进行了后处理。 centernet学习地址:centertnet 个人学习tensorrt代码: https://github.com/Rex-LK/tensorrt_learning 2、centeret基本结构 网络结构图见原cententrt链接

从图中可以看出，经过一系列的特征提取，最终得到了一个128x128x64的高分辨率特征图，网络会对这个特征层进行三个卷积，其作用分别是: 1、热力图hms，(128,128,num_classes)，表示将图片分成128*128个点，每一个点表示物体是否存在，及其类别 2、中心点xys，(128,128,2),表示每个热力点的偏移量 3、框高whs，(128,128,2),表示每个热力图的宽高 在后处理中，上面三个部分都是需要的，但在原项目中，直接导出onnx是有问题的，关于centernet导出onnx的方法可以参考，https://blog.csdn.net/weixin_42108183/article/details/124969680。 cpp编译，cmake 使用绝对路径，makefile使用基于workspace的相对路径

int main(){
    //cmake和make是不同的路径
    if(!BaiscTools::build_model("/home/rex/Desktop/tensorrt_learning/trt_cpp/workspace/centernet",1)){
        return -1;
    }
    demoInfer demo;
    string demo_name = "centernet_gpu"; 
    demo.do_infer(demo_name);
    return 0;
}

3、python-trt加速 3.1 build_engine 在导出onnx后，可以在python下进行engine的转化， 在trt_py/buildengine/batch_1/build_engine_b1.py中可以进行onnx转tensorrt模型 3.3、预处理、推理 在trt_py/centernet/center 3.4、python后处理 后处理的方式有很多，我是先熟悉了原仓库的python代码之后，然后写了cpp的后处理代码，然后觉得python的后处理代码有部分可以优化的地方，首先看看源代码中的后处理方式

def decode_bbox(pred_hms, pred_whs, pred_offsets, confidence, cuda):
    b, c, output_h, output_w = pred_hms.shape
    detects = []
    for batch in range(b):
        heat_map    = pred_hms[batch].permute(1, 2, 0).view([-1, c])
        pred_wh     = pred_whs[batch].permute(1, 2, 0).view([-1, 2])
        pred_offset = pred_offsets[batch].permute(1, 2, 0).view([-1, 2])
        yv, xv      = torch.meshgrid(torch.arange(0, output_h), torch.arange(0, output_w))
        xv, yv      = xv.flatten().float(), yv.flatten().float()
        if cuda:
            xv      = xv.cuda()
            yv      = yv.cuda()
        class_conf, class_pred  = torch.max(heat_map, dim = -1)
        mask                    = class_conf > confidence
        print("mask.shape:  ",mask.shape)
        pred_wh_mask        = pred_wh[mask]
        pred_offset_mask    = pred_offset[mask]
        if len(pred_wh_mask) == 0:
            detects.append([])
            continue     
        xv_mask = torch.unsqueeze(xv[mask] + pred_offset_mask[..., 0], -1)
        yv_mask = torch.unsqueeze(yv[mask] + pred_offset_mask[..., 1], -1)
        half_w, half_h = pred_wh_mask[..., 0:1] / 2, pred_wh_mask[..., 1:2] / 2
        bboxes = torch.cat([xv_mask - half_w, yv_mask - half_h, xv_mask + half_w, yv_mask + half_h], dim=1)
        bboxes[:, [0, 2]] /= output_w
        bboxes[:, [1, 3]] /= output_h
        detect = torch.cat([bboxes, torch.unsqueeze(class_conf[mask],-1), torch.unsqueeze(class_pred[mask],-1).float()], dim=-1)
        detects.append(detect)

    return detects
def postprocess(prediction, need_nms, image_shape, input_shape, letterbox_image, nms_thres=0.4):
    output = [None for _ in range(len(prediction))]
    
    for i, image_pred in enumerate(prediction):
        detections      = prediction[i]
        if len(detections) == 0:
            continue
        unique_labels   = detections[:, -1].cpu().unique()
        if detections.is_cuda:
            unique_labels = unique_labels.cuda()
            detections = detections.cuda()

        for c in unique_labels:

            detections_class = detections[detections[:, -1] == c]
            if need_nms:
                keep = nms(
                    detections_class[:, :4],
                    detections_class[:, 4],
                    nms_thres
                )
                max_detections = detections_class[keep]
            else:
                max_detections  = detections_class
            
            output[i] = max_detections if output[i] is None else torch.cat((output[i], max_detections))

        if output[i] is not None:
            output[i]           = output[i].cpu().numpy()
            box_xy, box_wh      = (output[i][:, 0:2] + output[i][:, 2:4])/2, output[i][:, 2:4] - output[i][:, 0:2]
            output[i][:, :4]    = centernet_correct_boxes(box_xy, box_wh, input_shape, image_shape, letterbox_image)
    return output

后来发现源代码的后处理方式需要花点时间才能了解清楚，可能没那么直观，后面就想着怎么优化或者用更加简洁一点的方式来进行centernet的后处理。从导出的onnx中可以看出，最终得到了输出 的维度为 (batch_size，128*128，24)，在tensorrt推理下，最后得到的结果是一个一维的数组，因此只要将结果rehshape成对应的维度即可。可以看成现在有128*128 行 24列的矩阵，每一个点表示当前热力图的预测结果。每一行有24个值，前20个值为类别概率，后四个值代表whxy，现在要将里面满足条件的热力点拿出来。

    pred = torch.from_numpy(pred.reshape(batch_size, 128 * 128, 24))[0]
    pred_hms = pred[:, 0:20]
    pred_whs = pred[:, 20:22]
    pred_xys = pred[:, 22:]

首先阈值过滤，将得分小于设定值的直接过滤掉

    keep = pred_hms.max(-1).values > 0.3
    hms = pred_hms[keep]
    whs = pred_whs[keep]
    xys = pred_xys[keep]

现在已经拿到了满足阈值条件的热力点了，接着就是将这些点的原图尺寸恢复到原始尺寸，前面提到，这里的xy是相对热力点的偏移量，那么首先要计算满足条件的热力点在 128×128 这个二位矩阵中的坐标

    #labels为 1~128*128里面的位置索引
    scores, labels = torch.max(hms, 1)
    #idx表示 在128*128中满足条件的 点的索引
    idx = torch.nonzero(keep == True).squeeze()
    score = hms.argmax()

想了很久才明白这种方法，直到画了图才逐渐明白，如果要计算x，可以认为这128*128个点是上面这种排布方式，如果要计算y，则是下面这种方式，由此可以计算出热力点在128×128这个二位矩阵中的坐标点。

    #热力点坐标加上偏移量
    xys[:, 0] += idx % 128
    xys[:, 1] += idx / 128
    #缩放回原图尺寸，因为当前特征图大小为128*128 ，原图大小为 image_o_size[0]*image_o_size[0]
    left = (xys[:, 0] - whs[:, 0] / 2) * image_o_size[1] / 128
    top = (xys[:, 1] - whs[:, 1] / 2) * image_o_size[0] / 128
    right = (xys[:, 0] + whs[:, 0] / 2) * image_o_size[1] / 128
    bottom = (xys[:, 1] + whs[:, 1] / 2) * image_o_size[0] / 128
    bboxs = torch.stack((left, top, right, bottom), dim=1)
    #nms
    nms_keep = nms(bboxs, scores, iou_threshold=0.5)
    bboxs = bboxs[nms_keep]

看上去后处理方式确实简洁了很多，也方便移植到类似的模型上，同时也方便自己进行回顾。 3.5、cpp后处理 cpp后处理与Python的后处理十分相似，因为毕竟是按照cpp的后处理来写的python,下面是筛选出热力图的代码

 vector boxes;
/预测结果指针
float* prob = output->cpu();
//类别数量
 int num = 20;  
 float *start = prob;
//总元素个数 128*128*24
 int count = output->count();
 for(int i=0;i 
进一步的，现在把cpu解码放在gpu上，下面是解码的核函数 
static __global__ void decode_kernel(
    float* predict,int im_h,int im_w,int num_bboxes, int num_classes, float confidence_threshold, 
    float* invert_affine_matrix, float* parray, int max_objects, int NUM_BOX_ELEMENT
){  
    int position = blockDim.x * blockIdx.x + threadIdx.x;
    if (position >= num_bboxes) return;
    // 每隔24个位置跳到下一行
    float* pitem     = predict + (4 + num_classes) * position;
    //pitem 前20个位置表示概率，后四个位置表示whxy
    int label = 0;
    //第一个位置的socre
    float* class_confidence = pitem;
    float confidence  = *class_confidence;
    //找到20个位置中最大的score和label
    for(int i = 1; i < num_classes; ++i, ++class_confidence){
        if(*class_confidence > confidence){
            confidence = *class_confidence;
            label      = i;
        }
    }
    
    if(confidence < confidence_threshold)
        return;

    int index = atomicAdd(parray, 1);
    if(index >= max_objects)
        return;
    float* pwhxy = pitem;
    float width      = *(pwhxy+20);
    float height     = *(pwhxy+21);
    //偏移量，还需要加上 当前热力点的坐标
    float cx         = *(pwhxy+22) + position%128;
    float cy         = *(pwhxy+23) + position/128;

    float left   = (cx - width * 0.5f) * im_h / 128;
    float top    = (cy - height * 0.5f) * im_w / 128;
    float right  = (cx + width * 0.5f) * im_h / 128;
    float bottom = (cy + height * 0.5f) * im_w / 128;

    // 第一个位置用来计数
    // left, top, right, bottom, confidence, class, keepflag
    float* pout_item = parray + 1 + index * NUM_BOX_ELEMENT;
    *pout_item++ = left;
    *pout_item++ = top;
    *pout_item++ = right;
    *pout_item++ = bottom;
    *pout_item++ = confidence;
    *pout_item++ = label;
    *pout_item++ = 1; // 1 = keep, 0 = ignore
}
 
4、总结 
本次学习了centernet的后处理方式，并在python、cpu和gpu上进行了后处理，这种后处理方式只要弄清楚了一种，还是很方便的移植到其他模型的后处理上的。拿一张gup解码的效果图作为结尾把。