实例分割solov2部署(pytorch-caffe-D)

 运行环境
• D芯片：D310
• GPU：M40

 torch>caffe
• Baseline: https://github.com/xxradon/PytorchToCaffe
• pytorch_to_caffe.py定义了torch到caffe的替换操作

• pytorch_to_caffe.py具体替换操作的实现：

• layer_param.py定义了torch到caffe参数的转换

 Solov2采坑记录
• Caffe中不支持torch.linspace()，torch.meshgrid()
原始torch代码如下，即对一个featuremap进行密集网格划分，得到归一化的x,y坐标，拼接到featuremap上。

caffe算子要求所有输入是由前面网络传递的（已存在的），除了卷积操作的weight,bias；Scale操作的weight,bias参数等，支持生成
这里我们分以下几步实现该功能：
首先构建1w11和1h11维度的等分矩阵

将等分矩阵通过与全1矩阵的点乘操作，维度自动扩展，再将维度变换成最终形态，即1wch1w11 = 1wch>1chw，1hcw1h11=1hcw>1chw
全1矩阵的维度为1chw,通过已有特征的卷积实现，此处不能torch.ones()，caffe不支持。

另：原始troch转caffe的mul只实现了等维度矩阵点乘，这里维度自动扩充的点乘需用caffe中的scale实现，添加如下

• 插值相关操作F. interpolate()
上采样插值：
om算子用unsample替代，仅支持scale_factor整数倍上采样，不支持size格式；上采样方式为nearest，不支持其他
下采样插值：
用max_pooling或avg_pooling替换。Pooling操作支持长宽kernel,pad,stride不一致。
原始torch到caffe参数的转换仅支持长宽参数一致，需要更改参数传递部分代码如下

• 布尔索引

om算子不支持布尔索引,可利用relu实现，更改为：
heat = heat*F.relu(heat - hmax + 1e-7) * 1e7
矩阵加减一个数可以仿照上面mul的scale实现
• 动态卷积
这里我们只涉及卷积核为1 * 1，步长为1的卷积。输入seg_preds为[1,c,h,w]，卷积核kernel_preds为[in_c,out_c,1,1]，这次由于out_c不定，因此不能转om

思考卷积过程，可以将上面操作转化为矩阵相乘如下：

• Caffe不支持所有切片操作，需转化为对应维度的split操作

 结果对比
表 solov2推理时间指标对比