基于MindSpore实现yolov3_darknet53
话不多说，先上一段MindSpore基本介绍
MindSpore是一个全场景深度学习框架，旨在实现易开发、高效执行、全场景覆盖三大目标，其中易开发表现为API友好、调试难度低，高效执行包括计算效率、数据预处理效率和分布式训练效率，全场景则指框架同时支持云、边缘以及端侧场景。
MindSpore总体架构如下图所示，下面介绍主要的扩展层（MindSpore Extend）、前端表达层（MindExpression，ME）、编译优化层（MindCompiler）和全场景运行时（MindRT）四个部分
-
MindSpore Extend（扩展层）：MindSpore的扩展包，期待更多开发者来一起贡献和构建。
-
MindExpression（表达层）：基于Python的前端表达，未来计划陆续提供C/C++、Java等不同的前端；MindSpore也在考虑支持华为自研编程语言前端-仓颉，目前还处于预研阶段；同时也在做与Julia等第三方前端的对接工作，引入更多的第三方生态。
-
MindCompiler（编译优化层）：图层的核心编译器，主要基于端云统一的MindIR实现三大功能，包括硬件无关的优化（类型推导、自动微分、表达式化简等）、硬件相关优化（自动并行、内存优化、图算融合、流水线执行等）、部署推理相关的优化（量化、剪枝等）；其中，MindAKG是MindSpore的自动算子生成编译器，目前还在持续完善中。
-
MindRT（全场景运行时）：这里含云侧、端侧以及更小的IoT
MindSpore向用户提供了3个不同层次的API，支撑用户进行网络构建、整图执行、子图执行以及单算子执行，从低到高分别为Low-Level Python API、Medium-Level Python API以及High-Level Python API
更多内容参考MindSpore官网：MindSpore官网
yolov3结构图:
下面是yolov3网络的实现：
# MindSpore的Cell类是构建所有网络的基类，也是网络的基本单元。 # 当用户需要神经网络时，需要继承Cell类，并重写__init__方法和construct方法 import mindspore.nn as nn from mindspore import dtype as mstype from mindspore.ops import operations as P
class ConvolutionalLayer(nn.Cell):
# 定义卷积层
def __init__(self,in_c,out_c,kernal_size,stride,pad_mode,padding):
super(ConvolutionalLayer,self).__init__()
self.conv=nn.SequentialCell([
nn.Conv2d(in_c,out_c,kernal_size,stride,pad_mode,padding),
nn.BatchNorm2d(out_c),
nn.LeakyReLU(0.1)
])
def construct(self, x):
return self.conv(x)class ResidualLayer(nn.Cell):
# 定义残差层
def __init__(self,in_c):
super(ResidualLayer,self).__init__()
self.reseblock=nn.SequentialCell([
ConvolutionalLayer(in_c,in_c//2,kernal_size=1,stride=1,pad_mode='same',padding=0),
ConvolutionalLayer(in_c//2,in_c,kernal_size=3,stride=1,pad_mode='pad',padding=1)
])
def construct(self,x):
# return x+self.reseblock(x)
return P.Add()(x, self.reseblock(x))class warpLayer(nn.Cell):
# 定义残差叠加块
def __init__(self,in_c,count):
super(warpLayer,self).__init__()
self.count=count
self.in_channels=in_c
self.res=ResidualLayer(self.in_channels)
def construct(self,x):
for i in range(0,self.count):
x=self.res(x)
return xclass DownSampleLayer(nn.Cell):
# 定义下采样层
def __init__(self,in_c,out_c):
super(DownSampleLayer,self).__init__()
self.conv=
ConvolutionalLayer(in_c,out_c,kernal_size=3,stride=2,pad_mode='pad',padding=1)
def construct(self,x):
return self.conv(x)class ConvolotionalSetLayer(nn.Cell):
# 定义卷积集
def __init__(self,in_c,out_c):
super(ConvolotionalSetLayer, self).__init__()
self.convset=nn.SequentialCell([
ConvolutionalLayer(in_c,out_c,kernal_size=1,stride=1,pad_mode='same',padding=0),
ConvolutionalLayer(out_c,out_c,kernal_size=3,stride=1,pad_mode='pad',padding=1),
ConvolutionalLayer(out_c,in_c,kernal_size=1,stride=1,pad_mode='same',padding=0),
ConvolutionalLayer(in_c,in_c,kernal_size=3,stride=1,pad_mode='pad',padding=1),
ConvolutionalLayer(in_c,out_c,kernal_size=1,stride=1,pad_mode='same',padding=0)
])
def construct(self,x):
return self.convset(x)# class UpsampleLayer(nn.Cell):
# # 定义上采样层
# def __init__(self):
# super(UpsampleLayer, self).__init__()
#
# def construct(self,x):
# return nn.ResizeBilinear()(x,scale_factor=2)
def UpSampleLayer(x):
return nn.ResizeBilinear()(x, scale_factor=2)class DarkNet53(nn.Cell):
def __init__(self):
super(DarkNet53,self).__init__()
self.feature_52=nn.SequentialCell([
ConvolutionalLayer(3,32,kernal_size=3,stride=1,pad_mode='pad',padding=1),
DownSampleLayer(32,64),
ResidualLayer(64),
DownSampleLayer(64,128),
warpLayer(128,2),
DownSampleLayer(128,256),
warpLayer(256,8),
])
self.feature_26=nn.SequentialCell([
DownSampleLayer(256,512),
warpLayer(512,8)
])
self.feature_13=nn.SequentialCell([
DownSampleLayer(512,1024),
warpLayer(1024,4)
])
self.convolset_13=nn.SequentialCell([
ConvolotionalSetLayer(1024,512)
])
self.convolset_26=nn.SequentialCell([
ConvolotionalSetLayer(768,256)
])
self.convolset_52=nn.SequentialCell([
ConvolotionalSetLayer(384,128)
])
self.detection_13=nn.SequentialCell([
ConvolutionalLayer(512,1024,kernal_size=3,stride=1,pad_mode='pad',padding=1),
nn.Conv2d(1024,255,kernel_size=1,stride=1,pad_mode='same',padding=0)
])
self.detection_26 = nn.SequentialCell([
ConvolutionalLayer(256, 512, kernal_size=3, stride=1, pad_mode='pad', padding=1),
nn.Conv2d(512, 255, kernel_size=1, stride=1, pad_mode='same', padding=0)
])
self.detection_52 = nn.SequentialCell([
ConvolutionalLayer(128, 256, kernal_size=3, stride=1, pad_mode='pad', padding=1),
nn.Conv2d(256, 255, kernel_size=1, stride=1, pad_mode='same', padding=0)
])
self.up_26=nn.SequentialCell([
ConvolutionalLayer(512,256,kernal_size=1,stride=1,pad_mode='same',padding=0)
])
self.up_52=nn.SequentialCell([
ConvolutionalLayer(256,128,kernal_size=1,stride=1,pad_mode='same',padding=0)
])
def construct(self,x):
h_52=self.feature_52(x)
h_26=self.feature_26(h_52)
h_13=self.feature_13(h_26)
conval_13=self.convolset_13(h_13)
detection_13=self.detection_13(conval_13)
up_26_con=self.up_26(conval_13)
up_26_up=UpSampleLayer(up_26_con)
# op=P.Concat(axis=1)
# route_26=op((up_26_up,h_26))
route_26=P.Concat(axis=1)((up_26_up,h_26))
conval_26=self.convolset_26(route_26)
detection_26=self.detection_26(conval_26)
up_52_con=self.up_52(conval_26)
up_52_up=UpSampleLayer(up_52_con)
route_52=P.Concat(axis=1)((up_52_up,h_52))
conval_52=self.convolset_52(route_52)
detection_52=self.detection_52(conval_52)
return detection_13,detection_26,detection_52if __name__ == '__main__':
shape = (1, 3, 416, 416)
x = P.Ones()
x = x(shape, mstype.float32)
det_13,det_26,det_52=DarkNet53()(x)
print(det_13.shape)
print(det_26.shape)
print(det_52.shape)