Yolo v3のさまざまな実装 - オリジナルからFPGA実装まで -

お使いの環境での最適な実装は、お使いの環境によって違ってきます。
ぜひ、調査してみることをおすすめします。

各実装でのモデルデータは、以下の流儀が混在しています。

• 他のフレームワークで学習させたモデルを、モデルの変換器で変換したもの
• そのフレームワークの中で学習したもの

kerasの使われ方も、どのkerasを使っているのか、tensorflowのバージョンなど、いくつもの組み合わせの中で、
後少しのはずの状況ですんなりいかないことがあります。

フレームワーク	ソースコードのURL	モデルデータ	ドキュメントのURL	解説記事
darknet	https://github.com/AlexeyAB/darknet	https://pjreddie.com/darknet/
darknet	https://github.com/pjreddie/darknet		------
Keras	https://github.com/qqwweee/keras-yolo3	モデル名.h5	https://qiita.com/yoyoyo_/items/10d550b03b4b9c175d9c	最新の物体検出YOLO v3 (Keras2.2.0+TensorFlow 1.8.0)を独自データで学習できるようにしてみた
Keras 量子化付き	https://github.com/tkwataru/keras-yolo3	------	tensorflowLTで量子化済みの重みデータを出力する。
Chainer	https://github.com/chainer/chainercv/tree/master/examples/yolo	------		Chainer自体が開発が終了している
pytorch	https://github.com/ayooshkathuria/pytorch-yolo-v3	モデル名.pt (pytorch の形式)		PyTorch + YOLO v3導入
pytorch	https://github.com/ultralytics/yolov3			https://qiita.com/harayama_dev68/items/fc660bec06ee05ed32c3 学習のiteration に対する各種指標のプロットを作成できる。
Tensorflow	https://github.com/wizyoung/YOLOv3_TensorFlow	------
Tensorflow	https://github.com/YunYang1994/tensorflow-yolov3	------
Tensorflow2.x	https://github.com/YunYang1994/TensorFlow2.0-Examples/tree/master/4-Object_Detection/YOLOV3
Tensotflow2.x	https://github.com/zzh8829/yolov3-tf2
Neural Network Console　（YOLO v2)	https://github.com/sony/nnabla-examples/tree/master/object-detection/yolov2			https://www.slideshare.net/Sony_Neural_Network_Console_Libraries/20190316lets-try-low-powerconsumption-ai-with-sonys-spresense-handson
Onnx	https://github.com/onnx/models/tree/master/vision/object_detection_segmentation/yolov3	https://github.com/onnx/models/tree/master/vision/object_detection_segmentation/yolov3		DeepLearningモデルを様々なフレームワーク間で交換するためのフォーマット. Onnx での検出の例 https://github.com/onnx/tutorials/blob/master/tutorials/OnnxRuntimeServerSSDModel.ipynb

推論に特化したフレームワーク

フレームワーク	ソースコードのURL	モデルデータ	ドキュメントのURL	解説記事
OpenCV	https://github.com/opencv/opencv/blob/master/samples/dnn/object_detection.py		https://docs.opencv.org/master/da/d9d/tutorial_dnn_yolo.html	https://docs.opencv.org/master/da/d9d/tutorial_dnn_yolo.html OpenCVでのYoLoの利用は、学習済みモデルを推論する部分が含まれている。学習自体は、darknet で行う。
OpenVino	https://github.com/PINTO0309/OpenVINO-YoloV3		https://github.com/intel-iot-devkit/smart-video-workshop/tree/master/presentations	OpenVinoも推論だけの枠組み
Tensorflow lite	https://github.com/peace195/tensorflow-lite-YOLOv3	モデル名.tflite		Android端末などの組み込み用途
Xilinx® DNNDK	https://github.com/Xilinx/Edge-AI-Platform-Tutorials/tree/master/docs/Darknet-Caffe-Conversion			DNNDK + Ultra96でYOLOv3物体認識onFPGA （その1・FPGA向けデプロイまで） - Ultra96ボードでYOLOを高速化
NNgen	https://github.com/NNgen/nngen/tree/develop/examples/darknet_yolov3_tiny			NNgenは、ディープニューラルネットワーク用のモデル固有のハードウェアアクセラレーターを合成するオープンソースのコンパイラーです。 NNgenは、入力モデル定義から、DNNアクセラレータのVerilog HDLソースコードとIPコアパッケージ（IP-XACT）を生成します。
TensorRT	https://github.com/lewes6369/TensorRT-Yolov3			TensorRT は 推論処理を実行する NVIDIA の GPU に対して convolution の演算などを最適化することにより推論を高速化するライブラリです。 https://qiita.com/dcm_yamaya/items/dcb149684fb210b39e8c
TensorRT	https://github.com/jkjung-avt/tensorrt_demos
blueoil	https://docs.blue-oil.org/autoapi/blueoil/networks/object_detection/yolo_v2/index.html			LeapMind の提供しているプラットフォーム https://leapmind.io/news/content/3886/

Intel のOpenVinoの資料によれば、オリジナルのcaffeモデルから数倍の高速化ができるとのことである。
Yoloもcaffeモデルがあり、同様に高速化が期待できそうだ。
https://github.com/intel-iot-devkit/smart-video-workshop/blob/master/presentations/01-Introduction-to-Intel-Smart-Video-Tools.pdf

TinierYolo

推論時に利用するライブラリを減らしたいなら

　既にOpenCVのライブラリを使っているなら、cv2.dnn.readNetFromDarknet()などを使って、OpenCVで推論するのが選択肢の一つ。
OpenCVのcv2.dnn.readNet() 関数の使い方を確認したい場合には、既に動作が検証されているモデルデータを使うこと。変換に成功した気になっていても、実際に動作させてみなければ、変換に失敗していることに気づかない。

[What is indeed surprising is that OpenCV’s CPU implementation of DNN is 9x faster than Darknet with OpenML. 実際に驚くべきことは、OpenCVのDNNのCPU実装が、OpenMLのDarknetより9倍高速であることです。] (https://www.learnopencv.com/deep-learning-based-object-detection-using-yolov3-with-opencv-python-c/)

学習時の学習データの与え方を楽にしたいなら

　Kerasのライブラリ内部で、学習用画像の加工があるのを使いたい。

オリジナルの実装では、解析できない内容を解析させながら学習させたいなら

PyTorchなどでのyoloの実装を見てみよう。

https://github.com/ultralytics/yolov3 から図を引用。

from keras.optimizers import Adam

などのようにkeras自体の中に有用な最適化のライブラリがある。
実装されているアルゴリズムを理解するには、pythonで実装されているので、本家の実装のyoloのコードを理解するよりは楽そうだ。

Intelのデバイスでの計算の実行速度を向上させたいのなら

OpenVino

あなたがしたい作業によって、現状では使いやすい実装が違ってくる。

ARM 用の実装
https://github.com/digitalbrain79/darknet-nnpack

SlideShare Ultra96ボードでYOLOを高速化

TVMでyolo v3を速くしてみる

---

付記

https://github.com/microsoft/onnxruntime
https://pypi.org/project/onnxruntime/
ONNX RuntimeとYoloV3でリアルタイム物体検出
Microsoft の ONNX Runtime を速攻レビュー
YoloV3の独自学習結果をONNX Runtime　を使って推論する事例
https://github.com/axinc-ai/yolov3-face

---

Preferred Networks、深層学習の研究開発基盤をPyTorchに移行

OpenVino のModelOptimizer で変換後のモデルデータを入手するには

注意点

wget　を使ってyolov3.cfg などを入手するとき、htmlファイルを入手しないこと。
ページのリンクでは、該当のcfgファイルを表示するためのhtmlファイルになっていることがある。
htmlファイルではなく、確実にcfgファイルのテキストファイルをダウンロードすること。

注意点

このコードは、TF1系のtf.keras、TF2.0のtf.keras、生kerasの3つで挙動が異なります
引用元　https://qiita.com/n_kats_/items/df7ac37f31eeaf4cb557

---

YOLO V3: Darknetのデータ拡張

Data Augmentation for Object Detection(YOLO)
Training YOLOv3 on your custom dataset

Data Augmentation in YOLOv4

---

Yoloのモデルのpruning

• Pytorch

  • https://github.com/Lam1360/YOLOv3-model-pruning
  • https://github.com/coldlarry/YOLOv3-complete-pruning
  • https://github.com/PengyiZhang/SlimYOLOv3
  • https://github.com/violet17/yolov3-channel-pruning

• darknet

  • https://github.com/manishravula/yolov3_tiny_pruned

PaddleSlim モデルのpruning、量子化を行うツール

https://github.com/PaddlePaddle/PaddleSlim
https://paddlepaddle.github.io/PaddleSlim/index_en.html
https://paddlepaddle.github.io/PaddleSlim/model_zoo_en.html

PaddleSlimは、モデル圧縮用のツールキットです。これには、pruning(剪定)、固定小数点量子化、知識抽出、ハイパーパラメーター検索、ニューラルアーキテクチャ検索などの圧縮戦略のコレクションが含まれています。

Baidu が開発しているようです。

neural network distiller

https://github.com/NervanaSystems/distiller
https://nervanasystems.github.io/distiller/install.html

DistillerでDeepLearningのモデルを軽量化: Gradual Pruning編

PyTorchのモデルを軽量化してONNX出力

PyTorch Pruning Tutorial

---

quantization

---

どうやたいがいのターゲットデバイス上で、重みファイルのbit幅を削減するツールはそろってきているようです。
float32 が float16 になることだけでも高速化することは多いようです。
学習済み重みファイルをint8 に変換するツールはあったりするようですが、int8にまで量子化を進めたものは、検出性能が低下するのは避けられないようです。

---

【物体検出】vol.9 ：YOLOv3をNVIDIA Jetson AGX Xavierで動かす

Jetson Xavier: Tensorコア対応Yolo V3 インストールメモ
Jetson Xavier を動かしてみた。

Jetson Xavier

• darknet
• opencv
• tensorflow
• onnx

---

YOLO（darknet）のコンフィグ(CFG)パラメーターおよびオプション一覧