一

背景

Backbone模型是各種視覺(jué)任務(wù)訓(xùn)練的基石，視覺(jué)任務(wù)模型的性能和模型的速度都受backbone模型的影響，良好的backbone模型可以有效提高視覺(jué)任務(wù)模型的性能和精度。因此設(shè)計(jì)優(yōu)良的backbone模型對(duì)視覺(jué)任務(wù)模型的表現(xiàn)至關(guān)重要。目前存在低延遲且高性能的開(kāi)源模型已經(jīng)有很多，但這些模型的設(shè)計(jì)往往只考慮到了理論計(jì)算量，并沒(méi)有和實(shí)際的硬件條件相結(jié)合，因此這些模型部署到實(shí)際的硬件上，并不能發(fā)揮最大的速度潛能。針對(duì)這個(gè)挑戰(zhàn)，為了發(fā)揮backbone模型的最大潛力，我們?cè)贛55H平臺(tái)上，基于MobileNetV2模型定制了適用于M55H平臺(tái)的backbone模型AXSpine系列，相比于原始MobileNetV2模型，AXSpine-Middle在精度提升的同時(shí)，速度提升了50%，硬件的MAC利用率大幅提高，在多個(gè)具體任務(wù)上達(dá)到80%以上。另外還有多組通過(guò)裁剪或者擴(kuò)充的AXSpine系列模型提供，以供不同延遲和精度要求的視覺(jué)任務(wù)進(jìn)行選擇。

二

性能指標(biāo)

以下展示AXSpine-Middle模型和MobileNetV2模型在愛(ài)芯元智M55H平臺(tái)上不同分辨率的性能對(duì)比，數(shù)據(jù)集采用ImageNet數(shù)據(jù)集，精度均在224x224分辨率條件下進(jìn)行測(cè)試，更多AXSpine模型指標(biāo)在文章末尾表格中：

三

相關(guān)模型介紹

3.1 MobileNetV2

MobileNetV2是google提出的用于移動(dòng)端的backbone模型，具有精度高、計(jì)算量小的特點(diǎn)，在移動(dòng)端設(shè)備上推理效果顯著。MobileNetV2模型的基本組成塊為倒置殘差卷積，由兩組1x1的卷積和一組3x3的depthwise卷積構(gòu)成。1x1卷積主要作用為對(duì)depthwise卷積做升/降維，3x3的depthwise卷積則在升維的空間上進(jìn)行卷積運(yùn)算，這種架構(gòu)可以在保證表達(dá)能力的同時(shí)有效地增強(qiáng)計(jì)算效率。隨后，這種倒置殘差卷積結(jié)構(gòu)進(jìn)行若干次的堆疊，構(gòu)造成為MobileNetV2模型。

3.2 地平線相關(guān)模型

地平線公司也在自身平臺(tái)上專門對(duì)backbone模型進(jìn)行了優(yōu)化，并推出了VarGENet和MixVarGENet等系列模型，其基本塊如下圖所示：

3.3 特斯拉相關(guān)模型

特斯拉相關(guān)模型為RegNet，RegNet為何凱明的相關(guān)工作，旨在用超參數(shù)搜索的方式，指導(dǎo)模型設(shè)計(jì)的相關(guān)工作，在低運(yùn)算量的條件下，取得了相對(duì)優(yōu)良的精度，由于沒(méi)有用到depthwise卷積，在GPU模型上表現(xiàn)良好，被特斯拉硬件采用。其基本結(jié)構(gòu)與resnet等同，如下所示：

四

模型優(yōu)化

相對(duì)于MobileNetV2官方實(shí)現(xiàn)，AXSpine模型做了以下改動(dòng)：

●將MobileNetV2的所有的depthwise卷積修改為小channel size的group卷積；

●將模型第二層的倒置殘差卷積替換為一個(gè)簡(jiǎn)單的3x3 conv層；

●對(duì)不滿足硬件通道對(duì)齊的層進(jìn)行硬件通道對(duì)齊；

● 減小部分層的expand_ratio提高運(yùn)算速度；

● 將原有的5層stage結(jié)構(gòu)，仿照convnext修改為4層stage結(jié)構(gòu)3393，速度提升，精度降低。

五

改動(dòng)詳細(xì)說(shuō)明

5.1 depthwise卷積修改為group卷積

由于邊緣側(cè)芯片的depthwise卷積的支持往往比較低效，這導(dǎo)致使用depthwise卷積的MobileNetV2無(wú)法發(fā)揮理論計(jì)算效率，在這里將depthwise卷積修改為group卷積，增強(qiáng)模型的表達(dá)能力，由于芯片組卷積，在特定channel的情況最為高效，因此將所有的depthwise卷積修改為特定channel數(shù)的group卷積。

5.2 替換第二層倒置殘差卷積

MobileNetV2的第一層為一個(gè)3x3的普通卷積，第二層為一個(gè)expand_ratio = 1 的倒置殘差卷積，在原有的MobileNetV2設(shè)計(jì)中，使用倒置殘差卷積的目的是為了減少計(jì)算量，然而當(dāng)修改為group卷積后，運(yùn)算量反倒大幅增加，因此將第二層的倒置殘差卷積的兩個(gè)堆疊的卷積層，修改為單個(gè)普通的3x3卷積。

5.3 對(duì)不滿通道對(duì)齊的卷積進(jìn)行對(duì)齊

硬件單元在計(jì)算的過(guò)程中，需要進(jìn)行數(shù)據(jù)對(duì)齊，如果不滿足數(shù)據(jù)對(duì)齊條件，就會(huì)降低運(yùn)算效率，M55H硬件也是一樣。因此，為了充分利用硬件的計(jì)算能力，需要對(duì)不滿足channel對(duì)齊的層進(jìn)行對(duì)齊操作，MobileNetV2模型中，部分層不滿足硬件對(duì)齊條件，這里需要對(duì)不滿足硬件對(duì)齊的層進(jìn)行向上補(bǔ)齊操作，不影響性能，表達(dá)能力有所提升。

5.4 減小expand_ratio

由于原有的depthwise卷積被替換成了group卷積，模型的表達(dá)能力大幅增強(qiáng)，而我們修改MobileNetV2模型的最終目的是為了在保證精度的情況下，提升速度，因此在此處對(duì)expand_ratio進(jìn)行消減，將expand_ratio從6修改為4，第二層的expand_ratio由4再消減為2，理論上模型的計(jì)算量減少約30%，這種expand_同時(shí)也考慮到了M55H的調(diào)度特性，在實(shí)際的調(diào)度過(guò)程中，由于各層特征圖的大小得到了均衡，整體調(diào)度效率也得到了提升。

5.5 修改模型stage排布

借鑒convnext文章中的的思路，模型應(yīng)當(dāng)包含有4個(gè)stage，每個(gè)stage的比例大概為13:1較優(yōu)，基于此判斷，對(duì)MobileNetV2模型的stage進(jìn)行重新劃分，將原有的stage排布按照39:3進(jìn)行排列，相比于直接削減channel數(shù)提升速度的方式，修改stage對(duì)模型精度的損傷較小，修改見(jiàn)下圖所示：

六

總結(jié)

經(jīng)過(guò)對(duì)MobilenetV2模型的適應(yīng)性改動(dòng)，愛(ài)芯元智發(fā)布了基于M55H芯片平臺(tái)的定制化模型AXSpine，相比于原版MobilenetV2模型，AXSpine-Middle模型具有更高的精度和達(dá)到50%提升的速度。得益于愛(ài)芯元智M55H平臺(tái)軟硬件聯(lián)合設(shè)計(jì)優(yōu)化，經(jīng)過(guò)改良后的AXSpine模型相較業(yè)界友商在單位算力情況下，展現(xiàn)出了強(qiáng)大的性能和延遲表現(xiàn)。此外除了AXSpine-Middle模型以外，還有若干組模型上架，以滿足不同的延遲和精度需求，總結(jié)表格如下，以下模型目前已應(yīng)用于多組視覺(jué)任務(wù)中，歡迎使用：

審核編輯：劉清