DID-YOLO:一種適用于嵌入式設(shè)備的移動機器人目標檢測算法

章佳琪,肖 建

(1.南京郵電大學 電子與光學工程學院、柔性電子(未來技術(shù))學院,江蘇 南京 210046;2.南京郵電大學 集成電路科學與工程學院,江蘇 南京 210046)

0 引 言

隨著當今社會經(jīng)濟和AI技術(shù)的快速發(fā)展,中國移動機器人行業(yè)迎來了爆發(fā)式增長,移動機器人也被廣泛應(yīng)用于工業(yè)、服務(wù)、農(nóng)業(yè)、醫(yī)療等社會各領(lǐng)域。移動機器人通過相機等視覺傳感器感知環(huán)境,使用目標檢測算法識別并定位物體。目標檢測算法作為移動機器人感知環(huán)境能力中的重要一環(huán),在應(yīng)用時也對其運行速度和精度提出了愈來愈高的要求。目標檢測算法模型龐大,占用較多的存儲資源,且計算復雜,通常運行于算力強大,計算資源豐富的設(shè)備上,而嵌入式設(shè)備存儲空間有限,計算資源不足[1]。目標檢測算法在嵌入式設(shè)備中部署往往存在因模型龐大導致存儲空間不足、檢測算法準確度不高和運行效率低下等問題。因此,適用于移動機器人的目標檢測算法已成為當今機器人研究領(lǐng)域的一大熱點。

目前,目標檢測算法可以大致分為兩類。一類是二階段算法模型,如基于區(qū)域的卷積神經(jīng)網(wǎng)絡(luò)R-CNN[2]、Fast R-CNN[3]、Faster R-CNN[4]。這類二階段算法模型首先需要獲取目標候選幀,然后對候選幀進行一系列的分類和回歸操作,其優(yōu)點是識別精度較高。另一類是單階段算法模型,其中YOLO系列算法是最典型的代表,其優(yōu)點是識別速度快、識別精度高。雖然二階段算法模型精度較高,但一階段算法模型所需計算資源更少,運行速度更快,更適合部署在嵌入式設(shè)備中,因此基于YOLO改進的算法模型在嵌入式部署領(lǐng)域應(yīng)用更為廣泛。2020年,國外Adarsh等人提出了YOLOv3-tiny,該算法在YOLOv3的基礎(chǔ)上去掉了一些特征層,只保留兩個獨立預測分支,在運行速度上有了較大的提升[5]。Fang Wei等人提出了Tinier-YOLO,該算法在YOLOv3-tiny基礎(chǔ)上進一步縮小模型尺寸,并提高檢測精度和實時性[6]。2021年,國內(nèi)南京郵電大學的張偉等人在YOLOv3-tiny的基礎(chǔ)上提出了DS-YOLO,該網(wǎng)絡(luò)結(jié)構(gòu)簡單、計算量小,適合部署于無人機終端上[7]。2020年6月,在YOLOv4[8]算法提出的兩個月后,Alexey A B等人又提出了其輕量化網(wǎng)絡(luò)YOLOv4-tiny[9]。同年,Jiang Zicong等人在YOLOv4-tiny的基礎(chǔ)上利用ResBlock-D模塊替換CSPBlock模塊,降低了計算復雜度,并利用輔助殘差網(wǎng)絡(luò)塊,提升檢測精度,最終提出了一種高性能的實時目標檢測算法[9]。2021年,Wang Guanbo等人提出了TRC-YOLO,該算法對YOLO v4-tiny的卷積核進行修剪,通過構(gòu)建CSPResNet結(jié)構(gòu)增強網(wǎng)絡(luò)特征提取能力,最終在Jetson Xavier NX上實現(xiàn)了每秒36.9幀的實時性能[10]。2020年,Jocher提出YOLOv5模型中的YOLOv5s,不僅識別精度高,而且有較高的實時性,但在實際移動機器人應(yīng)用場景中,嵌入式設(shè)備的計算資源仍不足。

為了更好地實現(xiàn)移動機器人平臺下的實時目標檢測,根據(jù)YOLOv5在嵌入式設(shè)備部署的不足[11],該文提出針對性的改進方法:一方面針對YOLOv5s的backbone網(wǎng)絡(luò)比較復雜的問題,重構(gòu)其backbone網(wǎng)絡(luò),并引入深度可分離卷積,這種卷積相較于普通卷積計算量更小,能降低模型復雜度,提高網(wǎng)絡(luò)實時性,在引入深度可分離卷積后不可避免地會產(chǎn)生大量信息損失,通過在backbone網(wǎng)絡(luò)中引入殘差結(jié)構(gòu)還原損失的信息,提升該輕量化后網(wǎng)絡(luò)的精度;另一方面以YOLOv5l作為教師網(wǎng)絡(luò),YOLOv5s作為助教網(wǎng)絡(luò)指導輕量化后的DID-YOLO網(wǎng)絡(luò)訓練,因backbone網(wǎng)絡(luò)被重構(gòu),因此特征信息大量流失,通過對該網(wǎng)絡(luò)進行特征層和輸出層蒸餾,提升DID-YOLO網(wǎng)絡(luò)精度。

1 相關(guān)工作

1.1 YOLOv5s網(wǎng)絡(luò)介紹

YOLO算法將圖像劃分為單元格,并在每個單元格中判斷候選錨。如果目標的中心落在一個單元格里,這個單元格負責預測目標。YOLOv5是當前主流的目標檢測算法,其分為YOLOv5s、YOLOv5m、YOLOv5l、YOLOv5x四個模型。這四種模型的網(wǎng)絡(luò)結(jié)構(gòu)一致,但模塊數(shù)量和卷積核數(shù)量依次遞增,其中YOLOv5s為輕量型網(wǎng)絡(luò),廣泛應(yīng)用于嵌入式設(shè)備中,具有較高的精度和實時性能。

如圖1所示,YOLOv5s網(wǎng)絡(luò)分為三個部分:第一部分是backbone網(wǎng)絡(luò),負責目標的特征信息提取。它由Focus模塊、BottlenCSP1模塊和SPP模塊組成。Focus模塊將圖像數(shù)據(jù)分成四部分,每部分可等效為對輸入圖像進行兩次下采樣。通過在信道維度上進行拼接和卷積的操作來最大限度地減少因?qū)D像下采樣而造成的信息損失。BottlenCSP1結(jié)構(gòu)將CSPNet[12]結(jié)構(gòu)添加到殘差結(jié)構(gòu)中,并將梯度變化映射到特征圖中,該結(jié)構(gòu)可以減少卷積神經(jīng)網(wǎng)絡(luò)的整體計算量,降低網(wǎng)絡(luò)復雜程度,而且可以有效地增強卷積神經(jīng)網(wǎng)絡(luò)的學習能力。SPP模塊首先通過固定池化操作解決了輸入圖片尺寸不一致問題,并最終獲得相同尺寸的輸出;其次通過空間金字塔池化操作增加了網(wǎng)絡(luò)的整體接受域,實現(xiàn)多重感受野融合。第二部分是Neck 網(wǎng)絡(luò)-PANet[13],主要是對骨干網(wǎng)絡(luò)提取的特征信息進行增強。第三部分是head網(wǎng)絡(luò),采用與YOLOv3相同的檢測結(jié)構(gòu),三個檢測頭分別對原始圖像進行了8次、16次和32次采樣。

圖1 YOLOv5s網(wǎng)絡(luò)結(jié)構(gòu)示意圖

1.2 嵌入式平臺設(shè)計方案

該文搭建的移動機器人主控為Jetson AGX Xavier,其結(jié)合相機組成目標檢測算法驗證的嵌入式平臺。Jetson AGX Xavier作為全球首款專為自主機器打造的計算機,其板載的Xavier Soc具有一個Carmel架構(gòu)8核64位的CPU和Volta架構(gòu)512 CUDA處理器GPU,能以低至10W的功耗提供32 TOPs的強大算力,作為Al邊緣計算平臺,利用英偉達豐富的Al工具鏈和完備的生態(tài)鏈資源,使得開發(fā)者能夠在較短的時間內(nèi)完成神經(jīng)網(wǎng)絡(luò)模型的訓練和部署。

2 基于YOLOv5s改進的目標檢測網(wǎng)絡(luò)

2.1 輕量化網(wǎng)絡(luò)

2.1.1 深度可分離卷積

卷積是人工神經(jīng)網(wǎng)絡(luò)中一個非常重要的數(shù)學運算。卷積神經(jīng)網(wǎng)絡(luò)(CNN)可以在圖像幀的幫助下學習特征和分類數(shù)據(jù)。深度可分離卷積是CNN常用卷積中的一種,與標準卷積相比,它們需要調(diào)整的參數(shù)更少,且深度可分離卷積計算量較少,這使得它更適合應(yīng)用于移動視覺類型的CNN中,其中谷歌提出的MobileNet[14]、Xception[15]等網(wǎng)絡(luò)為深度可分離卷積在移動視覺領(lǐng)域的典型應(yīng)用。

深度可分離卷積可分為兩個過程:逐通道卷積和逐點卷積。逐通道卷積:一張彩色圖片可分為r、g、b三個通道,每個通道都與一個卷積核進行卷積可得到與輸入圖片通道數(shù)一致 的特征圖,如圖2所示。逐點卷積:采用的是1×1卷積的方式,將未卷積前的圖在深度上進行加權(quán)組合,生成特征圖,如圖3所示。

圖2 逐通道卷積示意圖

圖3 逐點卷積示意圖

由圖2和圖3可知,當卷積核大小為3時,則生成m個特征圖所需的參數(shù)量pn1如公式(1)所示。普通卷積生成m個特征圖所需的參數(shù)量pn2如公式(2)所示。由公式(1)和公式(2)可知,當m>1時,生成同數(shù)量的特征圖深度可分離卷積所需參數(shù)量小于普通卷積所需參數(shù)量,因此該文以深度可分離卷積重構(gòu)YOLOv5s的backbone網(wǎng)絡(luò),降低網(wǎng)絡(luò)復雜度。

pn1=3*3*3+1*1*3*m=27+3m

(1)

pn2=3*3*3*m=27m

(2)

2.1.2 倒置殘差結(jié)構(gòu)

在引入深度可分離卷積后,網(wǎng)絡(luò)復雜程度下降,但隨著backbone網(wǎng)絡(luò)模型縮小不可避免會產(chǎn)生大量特征信息損失。該文通過在backbone網(wǎng)絡(luò)中引入倒置殘差結(jié)構(gòu)還原損失的信息,提升該輕量化后網(wǎng)絡(luò)的精度。ResNet[16]中提出的殘差結(jié)構(gòu)由1*1卷積、3*3卷積和1*1卷積順序組成,實現(xiàn)網(wǎng)絡(luò)先降維后升維的操作。倒置殘差結(jié)構(gòu)則采用了3*3的深度可分離卷積并將網(wǎng)絡(luò)先升維后降維,將高維特征映射到低維中,通過提升通道數(shù),獲得更多的特征信息。當步長為1時,如圖4(a)所示。首先通過1*1的卷積升維,擴張通道數(shù)為原來的6倍,然后使用3*3的深度可分離卷積進行特征信息提取,再通過1*1的卷積降維至原通道數(shù)量。當步長為2時,如圖4(b)所示。由于卷積的步長不一致倒置輸入輸出的尺寸存在差異,因此不將輸入輸出進行拼接融合。

圖4 倒置殘差結(jié)構(gòu)示意圖

2.1.3 DID-YOLO算法的建立

針對目標檢測算法在嵌入式設(shè)備中運行效率低、占用存儲資源過多的問題,該文使用深度可分離卷積和倒置殘差模塊對YOLOv5s的backbone網(wǎng)絡(luò)進行重構(gòu),降低模型復雜度和計算量,減少模型占用空間,提高其部署在嵌入式設(shè)備時的檢測速度。提出的基于YOLOv5s改進后適用于嵌入式設(shè)備的輕量型目標檢測算法DID-YOLO網(wǎng)絡(luò)結(jié)構(gòu)如圖5所示。圖5中虛線框中是輕量化重構(gòu)后的backbone網(wǎng)絡(luò),負責提取圖像中的特征信息。其中DBL為卷積+BatchNormalization+relu6,PDP為stride=2的倒置殘差結(jié)構(gòu)塊,IRLB為stride=1的倒置殘差結(jié)構(gòu)塊,resn即為n個res結(jié)構(gòu)相連接。DBL、PDP和IRLB作為基礎(chǔ)模塊構(gòu)成了DID-YOLO的backbone網(wǎng)絡(luò),使用深度可分離卷積和倒置殘差模塊對YOLOv5s的backbone網(wǎng)絡(luò)進行重構(gòu)后,以VOC為數(shù)據(jù)集進行訓練,計算量為4.65 G,最終生成的模型參數(shù)量為3.63 M。

圖5 DID-YOLO網(wǎng)絡(luò)框架結(jié)構(gòu)示意圖

DID-YOLO算法的整體流程如圖6所示。該網(wǎng)絡(luò)模型的總體結(jié)構(gòu)由輸入端處理模塊、backbone網(wǎng)絡(luò)、neck網(wǎng)絡(luò)以及輸出端處理模塊組成。在輸入端處理模塊中,YOLOv5引入了Mosaic數(shù)據(jù)增強的方法,選用四張圖片以隨機縮放、隨機裁剪、隨機排布的方式將圖片拼接成訓練圖片。Mosaic數(shù)據(jù)增強可以豐富數(shù)據(jù)集,在拼接過程中圖片會隨機縮放,拼接完成后數(shù)據(jù)集中將增加大量小目標數(shù)據(jù),提升小目標的檢測效果和網(wǎng)絡(luò)的魯棒性。在訓練時,針對不同數(shù)據(jù)集初始錨框值處理的問題,輸入端處理模塊中引入自適應(yīng)錨框計算,每次訓練時可以自適應(yīng)計算出訓練集的最佳初始錨框值。在推理中,針對不同尺寸的輸入圖片,DID-YOLO在輸入端處理模塊中引入了自適應(yīng)圖片縮放,直接在原始圖像中自適應(yīng)地添加最少的黑邊,大大減少了推理計算量,提高了目標檢測速度。

圖6 DID-YOLO算法流程

DID-YOLO的backbone網(wǎng)絡(luò)用于提取輸入端處理模塊處理后圖像的特征信息,經(jīng)過輕量化后的backbone網(wǎng)絡(luò)解決了原網(wǎng)絡(luò)結(jié)構(gòu)復雜,參數(shù)量和計算量龐大的問題,提高了算法的運行速度。DID-YOLO的Neck網(wǎng)絡(luò)采用PANet結(jié)構(gòu),用于處理特征圖生成特征金字塔,增強模型對不同尺寸目標對象的檢測精度,達到網(wǎng)絡(luò)高精度識別不同大小和尺寸物體的目的。PANet結(jié)構(gòu)為在FPN的基礎(chǔ)上增加一個自底向上方向的增強,使得頂層特征圖融合底層特征圖的位置信息,從而提升對大尺寸目標物體的檢測效果。

為解決預測框和真實框完全不重合時,損失函數(shù)不可求導的問題,DID-YOLO的輸出端處理模塊選用CIOU_Loss函數(shù)作為Bounding box的損失函數(shù),其計算公式為:

(3)

CIOU_Loss=1-CIOU=1-(IOU-

(4)

CIOU_Loss不但考慮到了預測框和真實框重疊的面積,還引入了預測框和真實框的長寬比和兩者中心點的距離。針對多目標框的篩選,YOLOv5的輸出端處理模塊選用nms非最大值抑制,保留檢測效果最好的預測框,去除冗余的預測框。

2.2 知識蒸餾

知識蒸餾是一種常用的模型壓縮方法?，F(xiàn)有的主流知識蒸餾方法大致可分為兩類。第一類知識蒸餾,使用由教師網(wǎng)絡(luò)生成的分類軟標簽和真實標簽來指導學生網(wǎng)絡(luò)訓練。Jimmy Ba 等人[17]首先提出了這類方法。但是,隨著網(wǎng)絡(luò)復雜程度不斷加深,單純依靠教師網(wǎng)絡(luò)的軟標簽來蒸餾訓練學生網(wǎng)絡(luò)會產(chǎn)生信息溝壑,導致蒸餾訓練對學生網(wǎng)絡(luò)精度提升效果減弱。因此,第二類利用教師網(wǎng)絡(luò)的特征層對學生網(wǎng)絡(luò)進行指導的知識蒸餾方法被提出。Junho Yim等人[18]在學生網(wǎng)絡(luò)訓練中提出了一種模擬多層教師網(wǎng)絡(luò)特征的方法。Hui Wang等人[19]提出了一種逐步蒸餾的方法,允許學生網(wǎng)絡(luò)逐步學習教師網(wǎng)絡(luò)中間層的特征信息。

該文在YOLOv5s基礎(chǔ)上對其backbone網(wǎng)絡(luò)進行輕量化后提出DID-YOLO,造成DID-YOLO大量特征層信息損失,因此提出了針對特征圖和輸出層的知識蒸餾,其蒸餾框架如圖7所示。因backbone網(wǎng)絡(luò)進行重構(gòu)后,其輸出特征圖維度與原網(wǎng)絡(luò)輸出的特征圖維度不一致,采用在DID-YOLO的backbone網(wǎng)絡(luò)輸出上添加Converter模塊的方法,使其升維至與教師網(wǎng)絡(luò)匹配。其中Converter模塊由conv、bn和relu6組成。因此教師網(wǎng)絡(luò)在其backbone網(wǎng)絡(luò)輸出上套接relu6函數(shù),保證學生和教師網(wǎng)絡(luò)的特征層的激活函數(shù)一致。該文提出的知識蒸餾結(jié)構(gòu)在輸出層蒸餾的基礎(chǔ)上,對特征提取也進行了蒸餾,提升學生網(wǎng)絡(luò)的backbone在特征提取上的表征能力,在一定程度上提高了提出的基于YOLOv5s輕量化網(wǎng)絡(luò)的識別精度。

圖7 知識蒸餾框架示意圖

3 實驗結(jié)果與分析

3.1 數(shù)據(jù)集與實驗設(shè)置

為了驗證提出的移動機器人目標檢測算法DID-YOLO的有效性,該文所有算法模型均在公共數(shù)據(jù)集Pascal VOC上完成訓練,并在其驗證集上驗證模型的正確性。其中隨機篩選16 552張圖片作為訓練集用以網(wǎng)絡(luò)模型訓練,4 953張圖片作為驗證集用以驗證網(wǎng)絡(luò)模型的正確性。提出的移動機器人目標檢測算法訓練和驗證的環(huán)境為ubuntu18.04操作系統(tǒng),硬件配置為Intel?Xeon?Silver4210 CPU@2.20 GHz和TeslaP100-PCI-E GPU,內(nèi)存為12 GB,總顯存為16 GB,該算法在cuda10.1,Pytorch1.7.0下完成模型的搭建和網(wǎng)絡(luò)訓練。

3.2 模型評價指標

在比較模型性能時,以平均準確率(mAP@0.5)、模型尺寸(Model Size)、檢測速度(fps)衡量算法的精度、復雜程度和實時性能。其中mAP@0.5是指均交比閾值為0.5時,所有類別的平均AP,其計算公式為:

(5)

mAP@0.5衡量模型精確率隨召回率變化的趨勢,是目標檢測算法使用VOC數(shù)據(jù)集測試精度最常用的評價指標。其中檢測速度是由目標檢測算法處理每張相機實時捕捉的圖片所用的平均時間,是評價算法運行速度的常用評價指標。

3.3 知識蒸餾效果對比

提出的移動機器人目標檢測算法DID-YOLO在以不同網(wǎng)絡(luò)為教師網(wǎng)絡(luò)指導訓練后的結(jié)果如表1所示。輕量化網(wǎng)絡(luò)DID-YOLO的mAP@0.5為68.05%,以YOLOv5l為教師網(wǎng)絡(luò)進行知識蒸餾后,DID-YOLO算法的mAP@0.5提升至72.24%,提升了6.16%;以YOLOv5s為教師網(wǎng)絡(luò)進行知識蒸餾后,DID-YOLO算法mAP@0.5提升至72.49%,提升了6.52%;以YOLOv5l為教師網(wǎng)絡(luò)、YOLOv5s為助教網(wǎng)絡(luò)進行知識蒸餾后,DID-YOLO算法mAP@0.5提升至73.83%,提升了8.49%。

表1 知識蒸餾結(jié)果對比

由表1可知,DID-YOLO算法的mAP@0.5值最高達到73.83%。相較于以YOLOv5l為教師網(wǎng)絡(luò)的知識蒸餾訓練,引入YOLOv5s作為助教網(wǎng)絡(luò)輔助蒸餾可以得到最高的mAP@0.5值。YOLOv5l具有最高的精度,但其網(wǎng)絡(luò)模型在結(jié)構(gòu)和復雜度上與學生網(wǎng)絡(luò)存在較大的差異,因此引入YOLOv5s作為助教網(wǎng)絡(luò)可以提高知識蒸餾能力,輔助指導學生網(wǎng)絡(luò)訓練。

3.4 多種目標檢測算法性能對比

為驗證提出的移動機器人目標檢測算法DID-YOLO部署在嵌入式設(shè)備中的效果,在VOC數(shù)據(jù)集中測試了當前嵌入式平臺使用的主流輕量化目標檢測算法,包括YOLOv3-Tiny、YOLOv4-Tiny和YOLOv5s,實驗結(jié)果以平均精度均值mAP@0.5、網(wǎng)絡(luò)模型大小和在Xavier上運行的實時幀數(shù)為評價指標,對比結(jié)果如表2所示。

表2 多種檢測模型結(jié)果對比

以Pascal VOC為數(shù)據(jù)集進行訓練,YOLOv5s的計算量為8.39 G,生成的模型參數(shù)量為7.07 MB。經(jīng)過深度可分離卷積和倒置殘差模塊對YOLOv5s的backbone網(wǎng)絡(luò)進行重構(gòu)后,計算量為4.65 G,最終生成的模型參數(shù)量為3.63 MB。相較于YOLOv5s,DID-YOLO網(wǎng)絡(luò)模型參數(shù)量下降了48.65%,計算量降低了44.58%。對比實時性能,在以AGX Xavier為主控的移動機器人嵌入式平臺,DID-YOLO實時運行可達到每秒31.2幀的速度,相較于29.2幀/s的YOLOv5s提升了5.41%。在檢測精度上,DID-YOLO最高mAP@0.5可達73.83%,相較于YOLOv5s,下降了0.54%。經(jīng)過輕量化后的DID-YOLO損失了一定程度的檢測精度,但實時性能有較大的提升。

與當前移動機器人領(lǐng)域中主流的目標檢測算法YOLOv3-Tiny和YOLOv4-Tiny相比,DID-YOLO在模型尺寸、檢測準確率和速度上都有著較大的優(yōu)勢。由表2可知,提出的DID-YOLO的模型尺寸僅為YOLOv3-Tiny的10.4%、YOLOv4-Tiny的15.38%,其模型尺寸被壓縮至3.63 MB,在嵌入式設(shè)備部署時僅需占用極小的空間資源。雖然DID-YOLO模型尺寸較小,但在公共數(shù)據(jù)集Pascal VOC上其檢測準確率超過了YOLOv3-Tiny和YOLOv4-Tiny,DID-YOLO的mAP@0.5分別提高了21.05%和11.26%。在AGX Xavier上,DID-YOLO處理實時圖像性能也高于兩者,其檢測速度達到31.2 fps,相較于YOLOv3-Tiny和YOLOv4-Tiny,其檢測幀率分別提高了6.6幀和6.1幀。以上分析可得,提出的DID-YOLO與原網(wǎng)絡(luò)YOLOv5相比犧牲了一部分的檢測精度,但模型尺寸進一步壓縮且實時性能得到一定程度提升,且綜合模型輕量化指標、檢測精度參數(shù)和實時檢測性能指標與YOLOv3-Tiny和YOLOv4-Tiny相比,提出的DID-YOLO更具優(yōu)越性。

4 結(jié)束語

提出的DID-YOLO算法,在YOLOv5s的基礎(chǔ)上引入深度可分離卷積和倒置殘差模塊重構(gòu)其backbone網(wǎng)絡(luò),減少算法復雜度,并進一步壓縮模型,并通過結(jié)合特征層和輸出層的知識蒸餾提高DID-YOLO目標檢測的準確率。最終在Pascal VOC公共數(shù)據(jù)集上進行實驗表明,DID-YOLO算法的模型尺寸壓縮至3.63 MB,mAP@0.5達到73.83%,實時檢測速度達到31.2 fps,該算法完全滿足一個移動機器人嵌入式平臺對目標檢測算法的模型尺寸、檢測速度和精度的要求。