学习资源站

RT-DETR改进策略【模型轻量化】替换骨干网络为MoblieNetV1，用于移动视觉应用的高效卷积神经网络-

RT-DETR改进策略【模型轻量化】| 替换骨干网络为MoblieNetV1，用于移动视觉应用的高效卷积神经网络

一、本文介绍

本文记录的是 基于MobileNet V1的RT-DETR轻量化改进方法研究 。 MobileNet V1 基于 深度可分离卷积 构建，其设计旨在满足移动和嵌入式视觉应用对 小型 、 低延迟 模型的需求，具有独特的模型收缩超参数来灵活调整模型大小与性能。本文将 MobileNet V1应 用到 RT-DETR 中，有望借助其高效的结构和特性，提升 RT-DETR 在计算资源有限环境下的性能表现，同时保持一定的精度水平。

模型 参数量 计算量
rtdetr-l 32.8M 108.0GFLOPs
Improved 22.0M 71.1GFLOPs

二、MoblieNet V1设计原理

2.1 出发点

在许多实际应用如机器人、自动驾驶和增强现实中，识别任务需要在计算资源有限的平台上及时完成。但以往为提高准确性而构建的更深更复杂的网络，在 尺寸和速度方面并不高效 。因此，需要构 建小型、低延迟 的模型来满足移动和嵌入式视觉应用的设计要求。

2.2 结构原理

  • 深度可分离卷积（Depthwise Separable Convolution） ：这是 MobileNet 模型的核心构建模块。它将 标准卷积 分解为 深度卷积（depthwise convolution） 和 1×1卷积（pointwise convolution） 。
    • 对于 MobileNet ，深度卷积对每个输入通道应用单个滤波器，然后点卷积通过1×1卷积组合深度卷积的输出。标准卷积在一步中同时过滤和组合输入以生成新的输出，而深度可分离卷积将此过程分为两步， 从而大幅降低了计算量和模型尺寸 。

    例如，一个标准卷积层输入为 D F × D F × M D_{F}×D_{F}×M D F ​ × D F ​ × M 特征图 F F F ，输出为 D F × D F × N D_{F}×D_{F}×N D F ​ × D F ​ × N 特征图 G G G ，其计算成本为 D K ⋅ D K ⋅ M ⋅ N ⋅ D F ⋅ D F D_{K}·D_{K}·M·N·D_{F}·D_{F} D K ​ ⋅ D K ​ ⋅ M ⋅ N ⋅ D F ​ ⋅ D F ​ ，而深度可分离卷积的计算成本为 D K ⋅ D K ⋅ M ⋅ D F ⋅ D F + M ⋅ N ⋅ D F ⋅ D F D_{K}·D_{K}·M·D_{F}·D_{F}+M·N·D_{F}·D_{F} D K ​ ⋅ D K ​ ⋅ M ⋅ D F ​ ⋅ D F ​ + M ⋅ N ⋅ D F ​ ⋅ D F ​ ，相比之下计算量大幅减少，如在实际应用中 MobileNet 使用 3×3 深度可分离卷积比标准卷积节省 8 到 9 倍的计算量且精度损失较小。

  • 网络结构 ：除了第一层是全卷积外，MobileNet 结构基于 深度可分离卷积 构建。所有层（除最终全连接层）后面都跟着 批量归一化（batchnorm） 和 ReLU 非线性激活函数 。下采样通过深度卷积中的步长卷积以及第一层来处理，最后在全连接层之前使用平均池化将空间分辨率降为 1。
    • 将深度卷积和点卷积视为单独的层，MobileNet 共有 28 层。在计算资源分配上，95%的计算时间花费在 1x1 卷积上，且 75%的参数也在 1x1 卷积中，几乎所有额外参数都在全连接层。

在这里插入图片描述

  • 模型收缩超参数 ：包括宽度乘数（width multiplier）和分辨率乘数（resolution multiplier）。宽度乘数 α \alpha α 用于均匀地使网络每层变窄，对于给定层和宽度乘数 α \alpha α ，输入通道数 M M M 变为 α M \alpha M α M ，输出通道数 N N N 变为 α N \alpha N α N ，其计算成本为 D K ⋅ D K ⋅ α M ⋅ D F ⋅ D F + α M ⋅ α N ⋅ D F ⋅ D F D_{K}·D_{K}·\alpha M·D_{F}·D_{F}+\alpha M·\alpha N·D_{F}·D_{F} D K ​ ⋅ D K ​ ⋅ α M ⋅ D F ​ ⋅ D F ​ + α M ⋅ α N ⋅ D F ​ ⋅ D F ​ ，能以大致 α 2 \alpha^{2} α 2 的比例二次减少计算成本和参数数量。分辨率乘数 ρ \rho ρ 应用于输入图像和每一层的内部表示，通过隐式设置输入分辨率来降低计算成本，计算成本为 D K ⋅ D K ⋅ α M ⋅ ρ D F ⋅ ρ D F + α M ⋅ α N ⋅ ρ D F ⋅ ρ D F D_{K}\cdot D_{K}\cdot \alpha M\cdot \rho D_{F}\cdot \rho D_{F}+\alpha M\cdot \alpha N\cdot \rho D_{F}\cdot \rho D_{F} D K ​ ⋅ D K ​ ⋅ α M ⋅ ρ D F ​ ⋅ ρ D F ​ + α M ⋅ α N ⋅ ρ D F ​ ⋅ ρ D F ​ ，能使计算成本降低 ρ 2 \rho^{2} ρ 2 。

2.3 优势

  • 计算效率高 ：通过深度可分离卷积以及模型收缩超参数的应用，在保证一定精度的前提下，大幅减少了计算量和模型参数。
  • 灵活性强 ：宽度乘数和分辨率乘数可以根据不同的应用需求和资源限制，灵活地调整模型的大小、计算成本和精度，以实现合理的权衡。

论文： https://arxiv.org/pdf/1704.04861
源码： https://github.com/Zehaos/MobileNet

三、MoblieNet V1的实现代码

MoblieNet V1 的实现代码如下： 

"""A from-scratch implementation of original MobileNet paper ( for educational purposes ).
Paper
    MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications - https://arxiv.org/abs/1704.04861
author : shubham.aiengineer@gmail.com
"""
import torch
from torch import nn

__all__ = ['MobileNetV1']

class DepthwiseSepConvBlock(nn.Module):
    def __init__(
            self,
            in_channels: int,
            out_channels: int,
            stride: int = 1,
            use_relu6: bool = True,
    ):
        """Constructs Depthwise seperable with pointwise convolution with relu and batchnorm respectively.
        Args:
            in_channels (int): input channels for depthwise convolution
            out_channels (int): output channels for pointwise convolution
            stride (int, optional): stride paramemeter for depthwise convolution. Defaults to 1.
            use_relu6 (bool, optional): whether to use standard ReLU or ReLU6 for depthwise separable convolution block. Defaults to True.
        """

        super().__init__()

        # Depthwise conv
        self.depthwise_conv = nn.Conv2d(
            in_channels,
            in_channels,
            (3, 3),
            stride=stride,
            padding=1,
            groups=in_channels,
        )
        self.bn1 = nn.BatchNorm2d(in_channels)

        self.relu1 = nn.ReLU6() if use_relu6 else nn.ReLU()

        # Pointwise conv
        self.pointwise_conv = nn.Conv2d(in_channels, out_channels, (1, 1))
        self.bn2 = nn.BatchNorm2d(out_channels)

        self.relu2 = nn.ReLU6() if use_relu6 else nn.ReLU()

    def forward(self, x):
        """Perform forward pass."""

        x = self.depthwise_conv(x)
        x = self.bn1(x)
        x = self.relu1(x)
        x = self.pointwise_conv(x)
        x = self.bn2(x)
        x = self.relu2(x)

        return x

class MobileNetV1(nn.Module):
    def __init__(
            self,
            input_channel: int = 3,
            depth_multiplier: float = 1.0,
            use_relu6: bool = True,
    ):
        """Constructs MobileNetV1 architecture
        Args:
            n_classes (int, optional): count of output neuron in last layer. Defaults to 1000.
            input_channel (int, optional): input channels in first conv layer. Defaults to 3.
            depth_multiplier (float, optional): network width multiplier ( width scaling ). Suggested Values - 0.25, 0.5, 0.75, 1.. Defaults to 1.0.
            use_relu6 (bool, optional): whether to use standard ReLU or ReLU6 for depthwise separable convolution block. Defaults to True.
        """

        super().__init__()

        # The configuration of MobileNetV1
        # input channels, output channels, stride
        config = (
            (32, 64, 1),
            (64, 128, 2),
            (128, 128, 1),
            (128, 256, 2),
            (256, 256, 1),
            (256, 512, 2),
            (512, 512, 1),
            (512, 512, 1),
            (512, 512, 1),
            (512, 512, 1),
            (512, 512, 1),
            (512, 1024, 2),
            (1024, 1024, 1),
        )

        self.model = nn.Sequential(
            nn.Conv2d(
                input_channel, int(32 * depth_multiplier), (3, 3), stride=2, padding=1
            )
        )

        # Adding depthwise block in the model from the config
        for in_channels, out_channels, stride in config:
            self.model.append(
                DepthwiseSepConvBlock(
                    int(in_channels * depth_multiplier),  # input channels
                    int(out_channels * depth_multiplier),  # output channels
                    stride,
                    use_relu6=use_relu6,
                )
            )
        self.index = [128, 256, 512, 1024]
        self.width_list = [i.size(1) for i in self.forward(torch.randn(1, 3, 640, 640))]

    def forward(self, x):
        """Perform forward pass."""
        results = [None, None, None, None]

        for model in self.model:
            x = model(x)
            if x.size(1) in self.index:
                position = self.index.index(x.size(1))  # Find the position in the index list
                results[position] = x
        return results

if __name__ == "__main__":
    # Generating Sample image
    image_size = (1, 3, 224, 224)
    image = torch.rand(*image_size)

    # Model
    mobilenet_v1 = MobileNetV1(depth_multiplier=1)

    out = mobilenet_v1(image)
    print(out)

四、修改步骤

4.1 修改一

① 在 ultralytics/nn/ 目录下新建 AddModules 文件夹用于存放模块代码

② 在 AddModules 文件夹下新建 MobileNetV1.py ，将 第三节 中的代码粘贴到此处

在这里插入图片描述

4.2 修改二

在 AddModules 文件夹下新建 __init__.py （已有则不用新建），在文件内导入模块： from .MobileNetV1 import *

在这里插入图片描述

4.3 修改三

在 ultralytics/nn/modules/tasks.py 文件中，需要在两处位置添加各模块类名称。

① 首先：导入模块

在这里插入图片描述

② 其次：在 parse_model函数 的如下位置添加两行代码：

在这里插入图片描述 

backbone = False

t=m

在这里插入图片描述

③ 接着，在此函数下添加如下代码： 

elif m in {MobileNetV1}:
    m = m(*args)
    c2 = m.width_list
    backbone = True

在这里插入图片描述

④ 然后，将下方红框内的代码全部替换： 

if isinstance(c2, list):
    is_backbone = True
    m_ = m
    m_.backbone = True
else:
    m_ = nn.Sequential(*(m(*args) for _ in range(n))) if n > 1 else m(*args)  # module
    t = str(m)[8:-2].replace('__main__.', '')  # module type
m.np = sum(x.numel() for x in m_.parameters())  # number params
m_.i, m_.f, m_.type = i + 4 if is_backbone else i, f, t  # attach index, 'from' index, type
if verbose:
    LOGGER.info(f'{i:>3}{str(f):>20}{n_:>3}{m.np:10.0f}  {t:<45}{str(args):<30}')  # print
save.extend(x % (i + 4 if is_backbone else i) for x in ([f] if isinstance(f, int) else f) if
            x != -1)  # append to savelist
layers.append(m_)
if i == 0:
    ch = []
if isinstance(c2, list):
    ch.extend(c2)
    for _ in range(5 - len(ch)):
        ch.insert(0, 0)
else:
    ch.append(c2)

替换后如下：

在这里插入图片描述

⑤ 在此文件下找到 base_model 的 _predict_once ，并将其替换成如下代码。 

def _predict_once(self, x, profile=False, visualize=False, embed=None):
    y, dt, embeddings = [], [], []  # outputs
    for m in self.model:
        if m.f != -1:  # if not from previous layer
            x = y[m.f] if isinstance(m.f, int) else [x if j == -1 else y[j] for j in m.f]  # from earlier layers
        if profile:
            self._profile_one_layer(m, x, dt)
        if hasattr(m, 'backbone'):
            x = m(x)
            if len(x) != 5:  # 0 - 5
                x.insert(0, None)
            for index, i in enumerate(x):
                if index in self.save:
                    y.append(i)
                else:
                    y.append(None)
            x = x[-1]  # 最后一个输出传给下一层
        else:
            x = m(x)  # run
            y.append(x if m.i in self.save else None)  # save output
        if visualize:
            feature_visualization(x, m.type, m.i, save_dir=visualize)
        if embed and m.i in embed:
            embeddings.append(nn.functional.adaptive_avg_pool2d(x, (1, 1)).squeeze(-1).squeeze(-1))  # flatten
            if m.i == max(embed):
                return torch.unbind(torch.cat(embeddings, 1), dim=0)
    return x

在这里插入图片描述

至此就修改完成了，可以配置模型开始训练了

五、yaml模型文件

5.1 模型改进⭐

在代码配置完成后，配置模型的YAML文件。

此处以 ultralytics/cfg/models/rt-detr/rtdetr-l.yaml 为例，在同目录下创建一个用于自己数据集训练的模型文件 rtdetr-MobileNetV1.yaml 。

将 rtdetr-l.yaml 中的内容复制到 rtdetr-MobileNetV1.yaml 文件下，修改 nc 数量等于自己数据中目标的数量。

📌 模型的修改方法是将 骨干网络 替换成 MobileNetV1 。 

# Ultralytics YOLO 🚀, AGPL-3.0 license
# RT-DETR-l object detection model with P3-P5 outputs. For details see https://docs.ultralytics.com/models/rtdetr

# Parameters
nc: 1  # number of classes
scales: # model compound scaling constants, i.e. 'model=yolov8n-cls.yaml' will call yolov8-cls.yaml with scale 'n'
  # [depth, width, max_channels]
  l: [1.00, 1.00, 1024]

backbone:
  # [from, repeats, module, args]
  - [-1, 1, MobileNetV1, []]  # 4

head:
  - [-1, 1, Conv, [256, 1, 1, None, 1, 1, False]]  # 5 input_proj.2
  - [-1, 1, AIFI, [1024, 8]] # 6
  - [-1, 1, Conv, [256, 1, 1]]  # 7, Y5, lateral_convs.0

  - [-1, 1, nn.Upsample, [None, 2, 'nearest']] # 8
  - [3, 1, Conv, [256, 1, 1, None, 1, 1, False]]  # 9 input_proj.1
  - [[-2, -1], 1, Concat, [1]] # 10
  - [-1, 3, RepC3, [256]]  # 11, fpn_blocks.0
  - [-1, 1, Conv, [256, 1, 1]]   # 12, Y4, lateral_convs.1

  - [-1, 1, nn.Upsample, [None, 2, 'nearest']] # 13
  - [2, 1, Conv, [256, 1, 1, None, 1, 1, False]]  # 14 input_proj.0
  - [[-2, -1], 1, Concat, [1]]  # 15 cat backbone P4
  - [-1, 3, RepC3, [256]]    # X3 (16), fpn_blocks.1

  - [-1, 1, Conv, [256, 3, 2]]   # 17, downsample_convs.0
  - [[-1, 12], 1, Concat, [1]]  # 18 cat Y4
  - [-1, 3, RepC3, [256]]    # F4 (19), pan_blocks.0

  - [-1, 1, Conv, [256, 3, 2]]   # 20, downsample_convs.1
  - [[-1, 7], 1, Concat, [1]]  # 21 cat Y5
  - [-1, 3, RepC3, [256]]    # F5 (22), pan_blocks.1

  - [[16, 19, 22], 1, RTDETRDecoder, [nc]]  # Detect(P3, P4, P5)

六、成功运行结果

分别打印网络模型可以看到 MobileNetV1模块 已经加入到模型中，并可以进行训练了。

rtdetr-MobileNetV1 ：

rtdetr-MobileNetV1 summary: 464 layers, 22,013,859 parameters, 22,013,859 gradients, 71.1 GFLOPs 

                   from  n    params  module                                       arguments                     
  0                  -1  1   3217856  MobileNetV1                                  []                            
  1                  -1  1    262656  ultralytics.nn.modules.conv.Conv             [1024, 256, 1, 1, None, 1, 1, False]
  2                  -1  1    789760  ultralytics.nn.modules.transformer.AIFI      [256, 1024, 8]                
  3                  -1  1     66048  ultralytics.nn.modules.conv.Conv             [256, 256, 1, 1]              
  4                  -1  1         0  torch.nn.modules.upsampling.Upsample         [None, 2, 'nearest']          
  5                   3  1    131584  ultralytics.nn.modules.conv.Conv             [512, 256, 1, 1, None, 1, 1, False]
  6            [-2, -1]  1         0  ultralytics.nn.modules.conv.Concat           [1]                           
  7                  -1  3   2232320  ultralytics.nn.modules.block.RepC3           [512, 256, 3]                 
  8                  -1  1     66048  ultralytics.nn.modules.conv.Conv             [256, 256, 1, 1]              
  9                  -1  1         0  torch.nn.modules.upsampling.Upsample         [None, 2, 'nearest']          
 10                   2  1     66048  ultralytics.nn.modules.conv.Conv             [256, 256, 1, 1, None, 1, 1, False]
 11            [-2, -1]  1         0  ultralytics.nn.modules.conv.Concat           [1]                           
 12                  -1  3   2232320  ultralytics.nn.modules.block.RepC3           [512, 256, 3]                 
 13                  -1  1    590336  ultralytics.nn.modules.conv.Conv             [256, 256, 3, 2]              
 14            [-1, 12]  1         0  ultralytics.nn.modules.conv.Concat           [1]                           
 15                  -1  3   2232320  ultralytics.nn.modules.block.RepC3           [512, 256, 3]                 
 16                  -1  1    590336  ultralytics.nn.modules.conv.Conv             [256, 256, 3, 2]              
 17             [-1, 7]  1         0  ultralytics.nn.modules.conv.Concat           [1]                           
 18                  -1  3   2232320  ultralytics.nn.modules.block.RepC3           [512, 256, 3]                 
 19        [16, 19, 22]  1   7303907  ultralytics.nn.modules.head.RTDETRDecoder    [1, [256, 256, 256]]          
rtdetr-MobileNetV1 summary: 464 layers, 22,013,859 parameters, 22,013,859 gradients, 71.1 GFLOPs