🔥Msnhnet(V2.0 偏向于于机器人视觉发展)🔥

English| 中文 |CSDN

一款轻量的用于推理pytorch模型的框架,该框架受darknet启发.

Ps: 目前本框架在持续开发中，由于是业余时间开发，更新速度不会很快。也欢迎有志之士一块维护本框架. 欢迎三连.

目前测试过的操作系统 (你可以自己测试下mac os)

	windows	linux	mac	Loongnix
checked
gpu

目前测试过的CPU (其它U出现BUG可以在issue提出)

	Intel i7	raspberry 3B	raspberry 4B	Jeston NX	龙芯
checked

特点

• 由纯c++编写完成, 不依赖其它第三方计算库, 同时也支持OpenBlas库.
• 支持目前主流的操作系统,Windows, linux(Ubuntu测试), mac os(未测试).
• 支持目前主流的cpu芯片, Intel X86,AMD(未测试) 和ARM.
• 支持x86结构avx2加速(持续优化中)。
• 支持arm结构neon加速(持续优化中)。
• 自带一套cv库，类似Opencv.
• conv2d 3x3s1 3x3s2 winograd3x3s1支持(Arm)
• GPU cuda支持. (测试过的显卡 GTX1080Ti, Jetson NX)
• GPU cudnn支持. (测试过的显卡 GTX1080Ti, Jetson NX)
• GPU fp16支持.(测试过的显卡 GTX1080Ti, Jetson NX)
• ps. 请检查你的显卡是否支持fp16双倍加速.
• 该框架自带一套类似netron的可视化工具, 可在编写Msnhnet文件时清晰掌握网络结构.
• 支持keras转Msnhnet. (Keras 2 and tensorflow 1.x, 部分op)
• 支持pytorch一键转msnhnet(目前只支持部分Op, 持续更新中)。
• 支持c_api。
• 支持C#语言，MsnhnetSharp。
• 支持msnhnet可视化，类似netron。
• 持续开发中...(也就晚上有时间... (╮（╯＿╰）╭))

已测试的网络

• lenet5
• lenet5_bn
• alexnet(torchvision)
• vgg16(torchvision)
• vgg16_bn(torchvision)
• resnet18(torchvision)
• resnet34(torchvision)
• resnet50(torchvision)
• resnet101(torchvision)
• resnet152(torchvision)
• darknet53(Pytorch_Darknet53)
• googLenet(torchvision)
• mobilenetv2(torchvision)
• yolov3(u版yolov3)
• yolov3_spp(u版yolov3)
• yolov3_tiny(u版yolov3)
• yolov4(u版yolov3)
• fcns(pytorch-FCN-easiest-demo)
• unet(bbuf keras)
• deeplabv3(torchvision)
• yolov5s🔥(U版yolov5,用于导出参数)
• yolov5m🔥(U版yolov5,用于导出参数) ==============================================================
• mobilenetv2_yolov3_lite (cudnn分组卷积对Gtx10系列的Pascal显卡支持不好，请使用GPU模式)
• mobilenetv2_yolov3_nano (cudnn分组卷积对Gtx10系列的Pascal显卡支持不好，请使用GPU模式)
• yoloface100k (cudnn分组卷积对Gtx10系列的Pascal显卡支持不好，请使用GPU模式)
• yoloface500k (cudnn分组卷积对Gtx10系列的Pascal显卡支持不好，请使用GPU模式)
• 感谢qiuqiu的mobilenet yolo系列: https://github.com/dog-qiuqiu/MobileNetv2-YOLOV3 ==============================================================
• pretrained models 链接：https://pan.baidu.com/s/1mBaJvGx7tp2ZsLKzT5ifOg 提取码：x53z
• pretrained models 连接：Google Drive
• 效果

Yolo测试

• Win10 MSVC 2017 I7-10700F (Linux平台大约比Win快10~20%,当然不是所有网络)

  net	yolov3	yolov3_tiny	yolov4
  time	380ms	50ms	432ms

• ARM(Yolov3Tiny cpu)

  cpu	raspberry 3B	raspberry 4B	Jeston NX
  with neon asm	?	0.432s	?

Yolo GPU 测试

• Ubuntu16.04 GCC Cuda10.1 GTX1080Ti

  net	yolov3	yolov3_tiny	yolov4
  time	30ms	8ms	30ms

• Jetson NX

  net	yolov3	yolov3_tiny	yolov4
  time	200ms	20ms	210ms

Yolo GPU cuDnn FP16 测试

• Jetson NX

  net	yolov3	yolov4
  time	115ms	120ms

Yolov5s GPU 测试

• Ubuntu18.04 GCC Cuda10.1 GTX2080Ti

  net	yolov5s	yolov5s_fp16
  time	9.57ms	8.57ms

Mobilenet Yolo GPU cuDnn 测试

• Jetson NX

  net	yoloface100k	yoloface500k	mobilenetv2_yolov3_nano	mobilenetv2_yolov3_lite
  time	7ms	20ms	20ms	30ms

DeepLabv3 GPU 测试

• Ubuntu18.04 GCC Cuda10.1 GTX2080Ti

  net	deeplabv3_resnet101	deeplabv3_resnet50
  time	22.51ms	16.46ms

依赖

• OpenCV4 (可选.) https://github.com/opencv/opencv
• Qt5 (可选. 编译Msnhnet viewer时使用) http://download.qt.io/archive/qt/
• opengl(可选. 编译 MsnhCV GUI 时用) .
• glew(可选. 编译 MsnhCV GUI 时用) http://glew.sourceforge.net/ .
• glfw3(可选. 编译 MsnhCV GUI 时用) https://www.glfw.org/.
• Cuda10+, Cudnn7.0+. (可选)

视频教程(B站)

• 如何在Linux上编译
• 如何在winows上编译
• Pytorch参数转msnhbin

如何编译

• CMake要求: CMake 3.15+
• 注意Viewer不能在GPU模式下编译

ps. 你可以在CMakeLists.txt:52设置最大OMP占用线程, 默认是OMP使用所有CPU线程.(需取消勾选OMP_MAX_THREAD)

• Windows平台编译(MSVC)

  • 1.使用CMake编译安装OpenCV4 (可选).
  • 2.在环境变量中添加"OpenCV_DIR", 并设置变量内容为每个库的CMake目录 (可选).
  • 3.下载安装Qt5 (可选).
  • 4.把Qt5的bin目录添加环境变量Path (可选).
  • 5.下载glew(win32). http://glew.sourceforge.net/ (可选).
  • 6.下载glfw3(源码).https://www.glfw.org/ (可选).
  • 7.解压glew,添加glew目录到系统环境变量"CMAKE_PREFIX_PATH" (可选).
  • 8.使用cmake编译glfw3, 添加glfw3的cmake文件夹路径到系统环境变量"GLFW_DIR" (可选).
  • 9.最后使用CMake GUI工具配置Msnhnet然后使用Visual Studio编译安装.

• Linux(Ubuntu ) 注意: 构建NX的GPU版本取消勾选NEON OPENBLAS.

  sudo apt-get install build-essential
  sudo apt-get install qt5-default      #可选
  sudo apt-get install libqt5svg5-dev   #可选
  sudo apt-get install libopencv-dev    #可选
  sudo apt-get install libgl1-mesa-dev libglfw3-dev libglfw3 libglew-dev #可选
  
  
  #config 
  sudo echo /usr/local/lib > /etc/ld.so.conf.d/usrlib.conf
  sudo ldconfig
  
  # build Msnhnet
  git clone https://github.com/msnh2012/Msnhnet.git
  mkdir build 
  
  cd Msnhnet/build
  cmake -DCMAKE_BUILD_TYPE=Release ..  
  make -j4
  sudo make install
  
  vim ~/.bashrc # Last line add: export PATH=/usr/local/bin:$PATH
  sudo ldconfig

测试

• 1.首先下载预训练模型并解压. eg.D:/models.
• 2.打开终端或CMD, cd到安装目录. eg. D:/Msnhnet/bin
• 3.测试 yolov3 yolov3 D:/models
• 4.测试 yolov3tiny_video yolov3tiny_video D:/models
• 5.测试 classify classify D:/models

使用MsnhnetViewer查看网络结构

• 1.打开终端或CMD, cd到安装目录 eg. D:/Msnhnet/bin
• 2.运行 "MsnhnetViewer"
• Ps. "ResBlock Res2Block AddBlock ConcatBlock"为网络层的封装, 你可以双击该块查看详细内容.

各个封装的结构 ResBlock

Res2Block

AddBlock

ConcatBlock

如何转换模型

• pytorch2msnhnet
• ps.
• 在转换之前，请务必检查下你的模型所用的算子被pytorch2Msnhnet支持。
• 可能有些模型转换不成功。
• 如果你的模型包含非常复杂的前处理和后处理，请先转backbone，再手动添加OP.
• 对于u版yolov3和yolov4.参考这个视频。视频中的工具迁移至此.

关于训练

• 使用pytorch版本的各个模型训练即可,训练完成后,按照上一步,构建Msnhnet即可.
• 如yolov3/4. 使用U版: https://github.com/ultralytics/yolov3

Enjoy it! :D

感谢

Msnhnet参考了以下框架:

• DarkNet
• NCNN
• ACL

第三方库

• stb_image
• yaml-cpp
• imGui
• mpeg

加群交流