自动驾驶(AIOT) - 轻量级目标检测与分割算法开发和部署(RK3568)

本文将在ModelArts平台上开发轻量级目标检测与分割算法，并使用ModelBox框架在RK3568开发板上实现模型推理和部署。

数据准备

我们收集了一份200张由Labelme标注的道路图像分割数据集，之后使用脚本将其转换为VOC格式的数据集并进行数据增强：

处理好的数据集已经分享到AI Gallery上，可以使用OBS下载：

算法简介

像素级的图像分割不仅需要精确，有时还需要高效以便应用到real-time application比如自动驾驶汽车等。现有的方法可能精度较高但往往参数量巨大，为了解决这个问题，我们使用LinkNet作为主干网络^{[Fig. 1]}，中间层^{[Fig. 2]}使用LeakyRelu进行激活，最后一层使用Sigmoid做归一化，并在Encoder Block 4后增添目标检测分支，训练过程中进行梯度裁剪防止梯度爆炸。

云端训练

算法详情可以运行我发布的Notebook，并下载转换好的模型文件：

ONNXRuntime推理：

下载yolo_tf_seg.zip并解压到本地，之后安装opencv、numpy、onnxruntime即可一键运行。

端侧推理

1、我们在VS Code中使用Remote-SSH远程连接ModelBox端云协同AI开发套件(RK3568)：

2、在SDK目录下使用create.py脚本创建工程object_detection_seg(od_seg)：

3、创建推理功能单元yolo_tf_seg：

4、将转换好的模型放到yolo_tf_seg目录下，我们的模型有一个输入和两个输出：

修改配置文件如下：5、创建后处理功能单元post_process：

对于后处理功能单元，我们在config中配置参数，接收2个float类型的推理结果，返回类别检测框和图像掩码：

对应的逻辑代码如下：

6、创建绘图功能单元draw_image：

对于绘图功能单元，我们接收解码后的原始图像和目标检测框以及分割图像，对应的配置文件如下：

接下来补充逻辑代码生成新的图像：

7、查看流程图：

代码如下：

8、配置输入和输出，运行应用：

9、我们可以在Chrome浏览器chrome://tracing/中加载性能统计文件：

通过分析耗时最久的是推理功能单元，720p视频检测帧率在6fps左右。

小结：

本文总体而言并没有太多的创新点，是一个纯工程化的项目，主要工作是将学术界的优秀论文落地到边缘设备上，通过对网络的魔改，得到一个兼顾精度、速度和体积的目标检测和分割模型，在模型量化过程中会出现精度损失，后续会通过优化算法以及选择不同的量化算法kl_divergence(feature分布不均匀时可以得到较好的改善效果)继续提高模型的检测效果，复现本案例所需资源（代码、模型、测试数据等）均可从object_detection_seg.zip获取。