首先鸣谢 @hokmund、@ElectronicElephant 等社区同学为本文提及的技术点做出的卓越贡献 ！期待更多社区伙伴加入算法优化工作中来~
一直以来，很多同学都热切希望 MMDetection 加入一些轻量级的检测模型。今天，它们来了！
在大家的热切期待之下，MMDetection 最近加入了两大经典算法：
SSDLite 与 MobileNetV2-YOLOV3！
这两个模型已经提出了很久，但因为有很强的实用性，一直以来都在工业界有着非常广泛的应用。因此，这次 MMDetection 带来了更加豪华的大餐，不仅支持了两个模型的训练，同样也支持模型导出与部署。
下面就来详细介绍一下这两个模型的实现过程以及使用方法~
本文内容
1. SSDLite
1.1 简介
1.2 SSD重构
1.3 算法复现
2.MobileNetV2-YOLOV3
2.1 简介
2.2 模型结构调整
2.3 Anchor 超参搜索小工具
3.如何部署
1. SSDLite
简介
SSDLite 是 Google 在 CVPR2018 论文 MobileNetV2: Inverted Residuals and Linear Bottlenecks 中提出的轻量级检测模型。
与 SSD 相比，除了将 backbone 从 VGG 替换为 MobileNetV2 之外， SSDLite 还将所有的卷积替换为了深度可分离卷积模块，使得模型的计算量与参数量都大幅下降，更适合移动端使用。在使用同样 Backbone 的情况下，模型的参数量缩小了7倍，计算量缩小了将近4倍，但是依旧保持相同的性能。
注：数据来源于 Google Tensorflow Object Detection API
SSD 重构
由于 SSD 是 MMDetection 中最早支持的一批检测算法，许多接口都不够灵活，如果需要使用同一个 SSD 模块支持 VGG SSD 和 SSDLite，需要对整个模型进行重构。
在之前版本的 MMDetection 中，SSD 的 backbone 是单独定制的 SSD-VGG，相对于标准的 VGG-16，在模型的末尾又插入了几层卷积层和 pooling 层，用来提取更小尺度的 feature map。
在 Tensorflow 官方版的 SSDLite 中也是采用同样的实现方式：需要修改 MobileNetV2 backbone，增加额外的卷积层。这也就意味着如果要替换 backbone 的话，都需要手动添加额外的层，这样的设计模式并不符合 MMDetection 中的模块化设计思路，也不够灵活。
因此，我们选择将这些额外的层提取出来作为一个单独的模块，按照目前主流的检测模型结构，这部分介于 detection head 和 backbone 之间的模块显然属于 neck，所以将其拆分为 SSDNeck 模块。
为了支持不同 SSD 模型的设置，新的 SSDNeck 模块预留了丰富的定制化接口，其中包括：
可通过 out_channels 设置输出的通道数；
通过 level_strides 和 level_paddings 设置每一层的卷积的 stride 和 padding 从而控制输出的 feature map 大小；
通过 last_kernel_size 来设置最后一层的卷积核大小（VGG SSD 512 中使用 4x4 kernel）；
通过 use_depthwise 来决定是否使用深度可分离的卷积模块；
使用 ConvModule 从而达到可以自由切换 normalize 和激活函数。
将原本以 hardcode 形式实现的一些模型结构都重构为可以使用配置文件设置的形式，提升了灵活性。
代码语言：javascript复制# 以 SSDLite 使用的 Neck 为例
# 文件位于 configs/ssd/ssdlite_mobilenetv2_scratch_600e_coco.py
neck=dict(
type='SSDNeck',
in_channels=(96, 1280),
out_channels=(96, 1280, 512, 256, 256, 128), # 设置输出通道数
level_strides=(2, 2, 2, 2), # 设置不同 level 的卷积 stride
level_paddings=(1, 1, 1, 1), # 设置不同 level 的卷积 padding
l2_norm_scale=None, # 设置是否加上 l2 norm
use_depthwise=True, # 设置是否使用深度可分离卷积模块
norm_cfg=dict(type='BN', eps=0.001, momentum=0.03), # 设置 norm layer
act_cfg=dict(type='ReLU6'), # 设置激活函数
init_cfg=dict(type='TruncNormal', layer='Conv2d', std=0.03)), # 设置初始化方式右滑查看完整代码
除了 Neck 部分，SSD 的 head 也进行了重构，包括 head 的模型结构以及 SSD 的 AnchorGenerator。
首先，对 head 的模型结构增加了更多定制化的接口，包括可以配置是否使用深度可分离卷积以及是否堆叠单个 level 下 head 的卷积层层数（虽然默认的配置不会用到，但实际使用场景中可以选择使用此功能可以提升模型性能）。
其次，对 SSDAnchorGenerator 加入了炼丹师们喜闻乐见的手动设置 anchor 大小的接口。原本的 SSDAnchorGenerator 在代码中以 hardcode 的形式设置了 VGG SSD 300 和 512 在 coco 数据集和 voc 数据集上的 anchor 大小，并不能够自由设置 anchor，显得很不灵活。
为此，重构后的版本加入了 min_sizes 和 max_sizes 这两组参数，使用过其他开源版本的 SSD 的同学应该对这两组参数非常熟悉，SSDAnchorGenerator 会根据这两组数值以及设置的 ratio 值计算出每一层 anchor 的 scale 和 ratio。具体的计算过程如下：
代码语言：javascript复制anchor_ratios = []
anchor_scales = []
for k in range(len(self.strides)):
scales = [1., np.sqrt(max_sizes[k] / min_sizes[k])]
anchor_ratio = [1.]
for r in ratios[k]:
anchor_ratio = [1 / r, r] # 4 or 6 ratio
anchor_ratios.append(torch.Tensor(anchor_ratio))
anchor_scales.append(torch.Tensor(scales))算法复现
由于 MobileNetV2 论文中没有给出 SSDLite 模型训练的细节，Tensorflow Object Detection API 中提供的配置也不够详细，并且其中给出的结果也是在 coco 2014 上得出的，训练集和验证集的划分也不太一样（使用了自定义划分的 coco minival 8000 张图片进行验证）。
除此之外，Tensorflow 中模型的一些操作也和 Pytorch 中不一样，比如自适应的 padding 等。因此，如何寻找一个可对比的 baseline 以及如何在 coco 2017 上进行调参就显得比较困难。
在这里，我们参考了另外两篇工作：
torchvison 的 SSDLite 复现
https://github.com/pytorch/vision/pull/3757
和 TF2 detection model zoo 中 coco2017上的结果
https://github.com/tensorflow/models/blob/master/research/object_detection/g3doc/tf2_detection_zoo.md
设置了一套方案：
使用更为通用的 320x320 大小作为输入，避免了 300 输入下 tf 和 pytorch padding 不一样的问题；
将原本 C4 feature 从 backbone inverted residual 中间抽取改为了从 stage 之后取，来避免修改 backbone；
由于输入分辨率有一定的变化，因此也相应修改了原本 ssd 300下的 anchor 设置；
参考 tf model zoo 中的设置，使用 TruncNormal 进行初始化，并修改了 BN 的 eps 和 momentum；
采用 SGD momentum 优化器，初始学习率为 0.015，修改 weight_decay=4.0e-5，并使用 CosineAnnealing 学习率。
从 tf model zoo 的配置可以看出，Google 使用的训练策略比较难以模仿（他们使用超大 batch 在 n 个 TPU 上训练，我们平民玩家玩不起），因此只能参考 torchvison 复现时的训练设置进行训练，最终训练的模型得到了 21.3 的 mAP（由于 Pytorch 和 tf 的一些设置比较难以对齐，使用源码在相似设置下得到了20.2 的 mAP）。
如果有同学觉得 SSDLite 作为一个几年前的算法，性能不够强劲，其实也可以通过修改配置文件来获得性能更强的模型。比如参考 tf2 model zoo 中，为 SSDLite 加入 FPN，可以达到 22.2 的 mAP，也可以像上文所说的，调整 head 里卷积的层数来提升性能，当然还可以重新设计 anchor 的超参来适应自己的数据集。
总而言之，重构后的 MMDetection 的 SSDLite 提供了非常丰富的配置文件接口，供广大炼丹师进行调参，如果有同学实现了更好的配置，我们也非常欢迎 PR～
2. MobileNetV2-YOLOV3
简介
与 SSD 一样，YOLO 也是工业界应用非常广泛的算法，在社区同学的共同帮助下，我们也提供了两种分辨率下的 MobileNetV2-YOLOV3 的配置文件和预训练模型，并且做了一定的优化。
模型结构调整
首先感谢 hokmund 同学对 YOLOV3 Neck 的修改，使其输出通道能够被更灵活的配置，同时也感谢 ElectronicElephant 同学提供的 config。
我们对 ElectronicElephant 提交的配置文件进行了优化，主要有以下几点：
将原本的 608x608 输入修改为对移动端更为友好的 320x320 和 416x416；
修改了 anchor 的设置；
修改了 neck 和 head 的通道数，将通道数降低为 96，大幅减少了模型的计算量和参数量（Flops: 2.86 GFLOPs，Params: 3.74 M，mAP: 23.9）；
修改了训练的 batch size 和初始学习率；
使用 RepeatDataset 加速训练。
最终得到了 MobileNetV2-YOLOV3-320 和 MobileNetV2-YOLOV3-416，它们的精度如下：
Anchor 超参搜索小工具
由于 MMDetection 中的配置文件里的 anchor 超参都是基于 COCO 数据集设置的，在业务场景下可能并不通用，因此我们也加入了非常实用的 YOLO anchor 超参搜索工具
tools/analysis_tools/optimize_anchors.py 。
在这个小工具中，我们加入了两种 anchor 超参优化的方法：YOLO 经典的 k-means anchor 聚类，以及基于差分进化算法（以下简称 DE 算法）的 anchor 优化。
第一种方法对于 YOLO 用户来说想必都已经非常熟悉了，这里就不再介绍，下面简单介绍基于 DE 算法的 anchor 优化。
DE 算法是 Storn 和 Price 在1997年提出的一种求解优化问题的进化算法，使用突变、交叉和选择计算来演化优化问题的解，其具体的流程图如下图所示：
在这里，我们需要优化的目标是使 anchor 与所有 ground truth 标注框的平均 IOU 最大化，因此在代码中使用 avg_iou_cost 函数作为最小化目标函数（1 - avg_iou）。
由于 DE 算法不使用梯度进行优化，因此并不要求优化的函数是连续的或是可导的，如果使用的同学对优化的目标有特殊的需求，也可以继承小工具中的 YOLODEAnchorOptimizer 类并修改需要优化的函数，就可以很方便的控制 anchor 优化的结果。
如何使用这个小工具来优化自己数据集上的 anchor 超参呢？
首先需要准备好数据集的标注文件以及 config 文件，确保能够被 dataset 所读取（可以通过tools/misc/browse_dataset.py 工具进行验证），然后需要确保环境中安装了 scipy，然后运行命令：
代码语言：javascript复制python tools/analysis_tools/optimize_anchors.py ${CONFIG} --algorithm k-means --input-shape ${INPUT_SHAPE [WIDTH HEIGHT]} --output-dir ${OUTPUT_DIR}来使用 k-means 进行 anchor 聚类。如果要切换成 DE 算法，只需要使用 --algorithm differential_evolution 即可。
代码语言：javascript复制al_evolution --input-shape ${INPUT_SHAPE [WIDTH HEIGHT]} --output-dir ${OUTPUT_DIR}运行完之后会出现如下结果：
代码语言：javascript复制loading annotations into memory...
Done (t=9.70s)
creating index...
index created!
2021-07-19 19:37:20,951 - mmdet - INFO - Collecting bboxes from annotation...
[>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>] 117266/117266, 15874.5 task/s, elapsed: 7s, ETA: 0s
2021-07-19 19:37:28,753 - mmdet - INFO - Collected 849902 bboxes.
differential_evolution step 1: f(x)= 0.506055
differential_evolution step 2: f(x)= 0.506055
......
differential_evolution step 489: f(x)= 0.386625
2021-07-19 19:46:40,775 - mmdet - INFO Anchor evolution finish. Average IOU: 0.6133754253387451
2021-07-19 19:46:40,776 - mmdet - INFO Anchor differential evolution result:[[10, 12], [15, 30], [32, 22], [29, 59], [61, 46], [57, 116], [112, 89], [154, 198], [349, 336]]
2021-07-19 19:46:40,798 - mmdet - INFO Result saved in work_dirs/anchor_optimize_result.json最后，将结果中的 result 按格式添加到配置文件中，即可完成 anchor 的优化。
3. 如何部署
SSDLite 和 MobileNet YOLO 作为在工业界广泛应用的算法，光能够训练可不够，还需要部署到业务场景中，MMDetection 中实现的这两个模型也不例外！
我们提供了 pytorch2onnx 的导出方案，支持将模型转换为 ONNX 格式，并能够通过 ONNXRuntime 和 TensorRT 进行部署，导出后的模型的精度也已经经过了验证，是能够对齐的，大家可以放心大胆的使用。
我们提供了详细的导出教程，具体可以移步部署文档：ONNX 部署教程：
https://github.com/open-mmlab/mmdetection/blob/master/docs/tutorials/pytorch2onnx.md
TensorRT 部署教程： https://github.com/open-mmlab/mmdetection/blob/master/docs/tutorials/onnx2tensorrt.md
如果有同学不满足于这两种部署后端，我们也提供了更为灵活的解决方案：支持导出不包含后处理的ONNX 模型，用于作为中间格式转换为其他 inference 框架的模型，只需要在运⾏tools/deployment/pytorch2onnx.py 脚本时加上 --skip-postprocess 即可。
但需要注意的是，由于导出的模型不包含后处理，因此需要自己手动在对应的推理框架下实现后处理哦，这个功能就留给高端选⼿吧〜
本文介绍了 MMDetection 中新增的两种经典轻量级检测算法的使用和部署方法，同时也介绍了新增的一些实用工具。
在之后的更新中， MMDetection 也会增加更多实用的算法以及实用的功能，提升整个算法框架的易用性。如果有同学对 MMDetection 加入更多实用的模型或功能有一些期待或建议，欢迎在评论区留言～
【MMDetection Github地址】
https://github.com/open-mmlab/mmdetection
