YOLO_world，作为腾讯人工智能实验室的又一力作，不仅继承了YOLO系列模型在实时性方面的优势，更在开放词汇检测方面取得了重大突破。它采用了视觉语言建模和预训练的方法，能够在无需预先训练的情况下，实时识别图像中任何由描述性文本指定的物体。本例程对yoloworld官方开源仓库的模型和算法进行移植，使之能在SOPHON BM1684X/BM1688/CV186X上进行推理测试。
- 支持BM1688/CV186X(SoC)、BM1684X(x86 PCIe、SoC)
- 支持FP32、FP16(BM1684X/BM1688/CV186X)、INT8模型编译和推理
- 支持基于OpenCV和BMCV预处理的Python推理
- 支持1个输出模型推理
- 支持图片和视频测试
建议使用TPU-MLIR编译BModel，在使用TPU-MLIR编译前需要导出ONNX模型。具体可参考YOLO_world模型导出。
同时，您需要准备用于测试的数据集，如果量化模型，还要准备用于量化的数据集。
本例程在scripts目录下提供了相关模型和数据的下载脚本download.sh，您也可以自己准备模型和数据集，并参考4. 模型编译进行模型转换。
# 安装unzip，若已安装请跳过，非ubuntu系统视情况使用yum或其他方式安装
sudo apt install unzip
chmod -R +x scripts/
./scripts/download.sh执行后，模型保存至models/，测试数据集下载并解压至datasets/test/，精度测试数据集下载并解压至datasets/coco/val2017_1000/，量化数据集下载并解压至datasets/coco128/
下载的模型包括：
./models
├── BM1684X
│ ├── yoloworld_fp32_1b.bmodel # 使用TPU-MLIR编译，用于BM1684X的FP32 BModel，batch_size=1
│ ├── yoloworld_fp16_1b.bmodel # 使用TPU-MLIR编译，用于BM1684X的FP16 BModel，batch_size=1
│ ├── yoloworld_int8_1b.bmodel # 使用TPU-MLIR编译，用于BM1684X的INT8 BModel，batch_size=1
│ └── clip_text_vitb32_bm1684x_f16_1b.bmodel # encode_text部分fp16 bmodel
├── BM1688
│ ├── yoloworld_fp32_1b.bmodel # 使用TPU-MLIR编译，用于BM1688的FP32 BModel，batch_size=1, num_core=1
│ ├── yoloworld_fp16_1b.bmodel # 使用TPU-MLIR编译，用于BM1688的FP16 BModel，batch_size=1, num_core=1
│ ├── yoloworld_int8_1b.bmodel # 使用TPU-MLIR编译，用于BM1688的INT8 BModel，batch_size=1, num_core=1
│ ├── yoloworld_fp32_1b_2core.bmodel # 使用TPU-MLIR编译，用于BM1688的FP32 BModel，batch_size=1, num_core=2
│ ├── yoloworld_fp16_1b_2core.bmodel # 使用TPU-MLIR编译，用于BM1688的FP16 BModel，batch_size=1, num_core=2
│ ├── yoloworld_int8_1b_2core.bmodel # 使用TPU-MLIR编译，用于BM1688的INT8 BModel，batch_size=1, num_core=2
│ ├── clip_text_vitb32_bm1688_f16_1b_2core.bmodel # encode_text部分fp16 bmodel，num_core=2
│ └── clip_text_vitb32_bm1688_f16_1b.bmodel # encode_text部分fp16 bmodel
├── CV186X
│ ├── yoloworld_fp32_1b.bmodel # 使用TPU-MLIR编译，用于CV186X的FP32 BModel，batch_size=1
│ ├── yoloworld_fp16_1b.bmodel # 使用TPU-MLIR编译，用于CV186X的FP16 BModel，batch_size=1
│ ├── yoloworld_int8_1b.bmodel # 使用TPU-MLIR编译，用于CV186X的INT8 BModel，batch_size=1
│ └── clip_text_vitb32_cv186x_f16_1b.bmodel # encode_text部分fp16 bmodel
├── onnx
│ ├── yoloworld.onnx # 导出的onnx模型
│ ├── coco128_npz # coco128量化数据集
│ └── clip_text_vitb32.onnx # encode_text部分onnx模型
│
├── bpe_simple_vocab_16e6.txt.gz # 提供BPE分词所需的合并规则和基础词汇表
└── text_projection_512_512.npy # 导出encode_text onnx模型时保存的text_projection数据，在bmodel推理时使用
下载的数据包括：
./datasets
├── test # 测试图片
├── test_car_person_1080P.mp4 # 测试视频
├── coco.names # coco类别名文件
├── coco128 # coco128 图片数据集
└── coco
├── val2017_1000 # coco val2017_1000数据集：coco val2017中随机抽取的1000张样本
└── instances_val2017_1000.json # coco val2017_1000数据集关键点标签文件，用于计算精度评价指标
导出的模型需要编译成BModel才能在SOPHON TPU上运行，如果使用下载好的BModel可跳过本节。建议使用TPU-MLIR编译BModel。
模型编译前需要安装TPU-MLIR，本例程使用的TPU-MLIR版本是v1.6，具体可参考TPU-MLIR环境搭建。安装好后需在TPU-MLIR环境中进入例程目录。使用TPU-MLIR将onnx模型编译为BModel，具体方法可参考《TPU-MLIR快速入门手册》的“3. 编译ONNX模型”(请从算能官网相应版本的SDK中获取)。
- 生成FP32 BModel
本例程在scripts目录下提供了TPU-MLIR编译FP32 BModel的脚本，请注意修改gen_fp32bmodel_mlir.sh中的onnx模型路径、生成模型目录和输入大小shapes等参数，并在执行时指定BModel运行的目标平台（支持BM1684X/BM1688/CV186X），如：
./scripts/gen_fp32bmodel_mlir.sh bm1684x #bm1688/cv186x执行上述命令会在models/BM1684X下生成yoloworld_fp32_1b.bmodel文件，即转换好的FP32 BModel。
- 生成FP16 BModel
本例程在scripts目录下提供了TPU-MLIR编译FP16 BModel的脚本，请注意修改gen_fp16bmodel_mlir.sh中的onnx模型路径、生成模型目录和输入大小shapes等参数，并在执行时指定BModel运行的目标平台（支持BM1684X/BM1688/CV186X），如：
./scripts/gen_fp16bmodel_mlir.sh bm1684x #bm1688/cv186x执行上述命令会在models/BM1684X/下生成yoloworld_fp16_1b.bmodel文件，即转换好的FP16 BModel。
- 生成INT8 BModel
本例程在scripts目录下提供了量化INT8 BModel的脚本，请注意修改gen_int8bmodel_mlir.sh中的onnx模型路径、生成模型目录和输入大小shapes等参数，在执行时输入BModel的目标平台（支持BM1684X/BM1688/CV186X），如：
./scripts/gen_int8bmodel_mlir.sh bm1684x #bm1684x/bm1688/cv186x执行上述命令会在models/BM1684X下生成yoloworld_int8_1b.bmodel等文件，即转换好的INT8 BModel。量化模型出现问题可以参考：Calibration_Guide。
首先，参考Python例程推理要测试的数据集，生成预测的json文件，注意修改数据集(datasets/coco/val2017_1000)和相关参数(class_names="all"、conf_thresh=0.001、nms_thresh=0.7)。
然后，使用tools目录下的eval_coco.py脚本，将测试生成的json文件与测试集标签json文件进行对比，计算出目标检测的评价指标，命令如下：
# 安装pycocotools，若已安装请跳过
pip3 install pycocotools
# 请根据实际情况修改程序路径和json文件路径
python3 tools/eval_coco.py --gt_path datasets/coco/instances_val2017_1000.json --result_json results/yoloworld_fp32_1b.bmodel_val2017_1000_opencv_python_result.json在coco2017 val数据集上，精度测试结果如下：
| 测试平台 | 测试程序 | 测试模型 | AP@IoU=0.5:0.95 | AP@IoU=0.5 |
|---|---|---|---|---|
| SE7-32 | yoloworld_opencv.py | yoloworld_fp32_1b.bmodel | 0.370 | 0.514 |
| SE7-32 | yoloworld_opencv.py | yoloworld_fp16_1b.bmodel | 0.370 | 0.514 |
| SE7-32 | yoloworld_opencv.py | yoloworld_int8_1b.bmodel | 0.349 | 0.494 |
| SE7-32 | yoloworld_bmcv.py | yoloworld_fp32_1b.bmodel | 0.370 | 0.515 |
| SE7-32 | yoloworld_bmcv.py | yoloworld_fp16_1b.bmodel | 0.371 | 0.514 |
| SE7-32 | yoloworld_bmcv.py | yoloworld_int8_1b.bmodel | 0.349 | 0.495 |
| SE9-16 | yoloworld_opencv.py | yoloworld_fp32_1b.bmodel | 0.370 | 0.514 |
| SE9-16 | yoloworld_opencv.py | yoloworld_fp16_1b.bmodel | 0.370 | 0.514 |
| SE9-16 | yoloworld_opencv.py | yoloworld_int8_1b.bmodel | 0.349 | 0.495 |
| SE9-16 | yoloworld_bmcv.py | yoloworld_fp32_1b.bmodel | 0.370 | 0.515 |
| SE9-16 | yoloworld_bmcv.py | yoloworld_fp16_1b.bmodel | 0.371 | 0.514 |
| SE9-16 | yoloworld_bmcv.py | yoloworld_int8_1b.bmodel | 0.350 | 0.494 |
| SE9-16 | yoloworld_opencv.py | yoloworld_fp32_1b_2core.bmodel | 0.365 | 0.511 |
| SE9-16 | yoloworld_opencv.py | yoloworld_fp16_1b_2core.bmodel | 0.370 | 0.514 |
| SE9-16 | yoloworld_opencv.py | yoloworld_int8_1b_2core.bmodel | 0.349 | 0.495 |
| SE9-16 | yoloworld_bmcv.py | yoloworld_fp32_1b_2core.bmodel | 0.365 | 0.512 |
| SE9-16 | yoloworld_bmcv.py | yoloworld_fp16_1b_2core.bmodel | 0.371 | 0.514 |
| SE9-16 | yoloworld_bmcv.py | yoloworld_int8_1b_2core.bmodel | 0.350 | 0.494 |
| SE9-8 | yoloworld_opencv.py | yoloworld_fp32_1b.bmodel | 0.370 | 0.514 |
| SE9-8 | yoloworld_opencv.py | yoloworld_fp16_1b.bmodel | 0.370 | 0.514 |
| SE9-8 | yoloworld_opencv.py | yoloworld_int8_1b.bmodel | 0.349 | 0.495 |
| SE9-8 | yoloworld_bmcv.py | yoloworld_fp32_1b.bmodel | 0.370 | 0.515 |
| SE9-8 | yoloworld_bmcv.py | yoloworld_fp16_1b.bmodel | 0.371 | 0.514 |
| SE9-8 | yoloworld_bmcv.py | yoloworld_int8_1b.bmodel | 0.350 | 0.494 |
测试说明：
- batch_size=4和batch_size=1的模型精度一致；
- 由于sdk版本之间可能存在差异，实际运行结果与本表有<0.01的精度误差是正常的；
- AP@IoU=0.5:0.95为area=all对应的指标。
- 在搭载了相同TPU和SOPHONSDK的PCIe或SoC平台上，相同程序的精度一致，SE5系列对应BM1684，SE7系列对应BM1684X，SE9系列中，SE9-16对应BM1688，SE9-8对应CV186X；
使用bmrt_test测试模型的理论性能：
# 请根据实际情况修改要测试的bmodel路径和devid参数
bmrt_test --bmodel models/BM1684X/yoloworld_fp32_1b.bmodel测试结果中的calculate time就是模型推理的时间，多batch size模型应当除以相应的batch size才是每张图片的理论推理时间。
测试各个模型的理论推理时间，结果如下：
| 测试模型 | calculate time(ms) |
|---|---|
| BM1684X/yoloworld_fp32_1b.bmodel | 35.69 |
| BM1684X/yoloworld_fp16_1b.bmodel | 7.50 |
| BM1684X/yoloworld_int8_1b.bmodel | 5.02 |
| BM1688/yoloworld_fp32_1b.bmodel | 184.76 |
| BM1688/yoloworld_fp16_1b.bmodel | 38.99 |
| BM1688/yoloworld_int8_1b.bmodel | 16.30 |
| BM1688/yoloworld_fp32_1b_2core.bmodel | 99.15 |
| BM1688/yoloworld_fp16_1b_2core.bmodel | 24.38 |
| BM1688/yoloworld_int8_1b_2core.bmodel | 12.71 |
| CV186X/yoloworld_fp32_1b.bmodel | 184.80 |
| CV186X/yoloworld_fp16_1b.bmodel | 39.03 |
| CV186X/yoloworld_int8_1b.bmodel | 16.36 |
测试说明：
- 性能测试结果具有一定的波动性；
calculate time已折算为平均每张图片的推理时间；- SoC和PCIe的测试结果基本一致。
参考Python例程运行程序，并查看统计的解码时间、预处理时间、推理时间、后处理时间。C++和Python例程打印的时间已经折算为单张图片的处理时间。
在不同的测试平台上，使用不同的例程、模型测试datasets/val2017_1000，conf_thresh=0.25，nms_thresh=0.7，性能测试结果如下：
| 测试平台 | 测试程序 | 测试模型 | decode_time | preprocess_time | inference_time | postprocess_time |
|---|---|---|---|---|---|---|
| SE7-32 | yoloworld_opencv.py | yoloworld_fp32_1b.bmodel | 9.56 | 22.52 | 41.79 | 4.48 |
| SE7-32 | yoloworld_opencv.py | yoloworld_fp16_1b.bmodel | 7.41 | 22.83 | 13.55 | 4.50 |
| SE7-32 | yoloworld_opencv.py | yoloworld_int8_1b.bmodel | 6.79 | 22.67 | 11.08 | 4.47 |
| SE7-32 | yoloworld_bmcv.py | yoloworld_fp32_1b.bmodel | 3.03 | 2.30 | 44.70 | 4.52 |
| SE7-32 | yoloworld_bmcv.py | yoloworld_fp16_1b.bmodel | 3.02 | 2.29 | 16.37 | 4.52 |
| SE7-32 | yoloworld_bmcv.py | yoloworld_int8_1b.bmodel | 3.05 | 2.29 | 14.01 | 4.48 |
| SE9-16 | yoloworld_opencv.py | yoloworld_fp32_1b.bmodel | 19.44 | 29.54 | 192.39 | 5.66 |
| SE9-16 | yoloworld_opencv.py | yoloworld_fp16_1b.bmodel | 12.02 | 30.10 | 46.74 | 5.65 |
| SE9-16 | yoloworld_opencv.py | yoloworld_int8_1b.bmodel | 9.41 | 29.94 | 23.96 | 5.66 |
| SE9-16 | yoloworld_bmcv.py | yoloworld_fp32_1b.bmodel | 4.23 | 4.71 | 195.66 | 5.66 |
| SE9-16 | yoloworld_bmcv.py | yoloworld_fp16_1b.bmodel | 4.24 | 4.73 | 49.85 | 5.67 |
| SE9-16 | yoloworld_bmcv.py | yoloworld_int8_1b.bmodel | 4.23 | 4.72 | 27.92 | 5.67 |
| SE9-16 | yoloworld_opencv.py | yoloworld_fp32_1b_2core.bmodel | 9.42 | 29.65 | 106.97 | 5.62 |
| SE9-16 | yoloworld_opencv.py | yoloworld_fp16_1b_2core.bmodel | 9.42 | 29.96 | 31.96 | 5.63 |
| SE9-16 | yoloworld_opencv.py | yoloworld_int8_1b_2core.bmodel | 9.39 | 30.01 | 20.31 | 5.64 |
| SE9-16 | yoloworld_bmcv.py | yoloworld_fp32_1b_2core.bmodel | 4.26 | 4.72 | 110.11 | 5.68 |
| SE9-16 | yoloworld_bmcv.py | yoloworld_fp16_1b_2core.bmodel | 4.21 | 4.73 | 35.43 | 5.65 |
| SE9-16 | yoloworld_bmcv.py | yoloworld_int8_1b_2core.bmodel | 4.24 | 4.71 | 23.66 | 5.68 |
| SE9-8 | yoloworld_opencv.py | yoloworld_fp32_1b.bmodel | 13.81 | 30.34 | 192.50 | 5.73 |
| SE9-8 | yoloworld_opencv.py | yoloworld_fp16_1b.bmodel | 14.24 | 29.72 | 46.66 | 5.71 |
| SE9-8 | yoloworld_opencv.py | yoloworld_int8_1b.bmodel | 13.24 | 29.68 | 24.00 | 5.71 |
| SE9-8 | yoloworld_bmcv.py | yoloworld_fp32_1b.bmodel | 7.84 | 4.62 | 195.78 | 5.75 |
| SE9-8 | yoloworld_bmcv.py | yoloworld_fp16_1b.bmodel | 7.40 | 4.60 | 50.11 | 5.72 |
| SE9-8 | yoloworld_bmcv.py | yoloworld_int8_1b.bmodel | 7.46 | 4.58 | 27.35 | 5.73 |
测试说明：
- 时间单位均为毫秒(ms)，统计的时间均为平均每张图片处理的时间；
- 性能测试结果具有一定的波动性，建议多次测试取平均值；
- SE7-32的主控处理器为8核[email protected]，SE9-16为8核[email protected]，SE9-8为6核[email protected]，PCIe上的性能由于处理器的不同可能存在较大差异；
- 图片分辨率对解码时间影响较大，推理结果对后处理时间影响较大，不同的测试图片可能存在较大差异，不同的阈值对后处理时间影响较大。
请参考FAQ查看一些常见的问题与解答。