一

背景

Backbone模型是各種視覺任務(wù)訓(xùn)練的基石，視覺任務(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任務(wù)模型的性能和精度。因此設(shè)計優(yōu)良的backbone模型對視覺任務(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源模型已經(jīng)有很多，但這些模型的設(shè)計往往只考慮到了理論計算量，并沒有和實際的硬件條件相結(jié)合，因此這些模型部署到實際的硬件上，并不能發(fā)揮最大的速度潛能。針對這個挑戰(zhàn)，為了發(fā)揮backbone模型的最大潛力，我們在M55H平臺上，基于MobileNetV2模型定制了適用于M55H平臺的backbone模型AXSpine系列，相比于原始MobileNetV2模型，AXSpine-Middle在精度提升的同時，速度提升了50%，硬件的MAC利用率大幅提高，在多個具體任務(wù)上達到80%以上。另外還有多組通過裁剪或者擴充的AXSpine系列模型提供，以供不同延遲和精度要求的視覺任務(wù)進行選擇。

二

性能指標(biāo)

以下展示AXSpine-Middle模型和MobileNetV2模型在愛芯元智M55H平臺上不同分辨率的性能對比，數(shù)據(jù)集采用ImageNet數(shù)據(jù)集，精度均在224x224分辨率條件下進行測試，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提出的用于移動端的backbone模型，具有精度高、計算量小的特點，在移動端設(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depthwise卷積做升/降維，3x3的depthwise卷積則在升維的空間上進行卷積運算，這種架構(gòu)可以在保證表達能力的同時有效地增強計算效率。隨后，這種倒置殘差卷積結(jié)構(gòu)進行若干次的堆疊，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上專門對backbone模型進行了優(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)計的相關(guān)工作，在低運算量的條件下，取得了相對優(yōu)良的精度，由于沒有用到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

相對于MobileNetV2官方實現(xiàn)，AXSpine模型做了以下改動：

●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簡單的3x3 conv層；

●對不滿足硬件通道對齊的層進行硬件通道對齊；

● 減小部分層的expand_ratio提高運算速度；

● 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

改動詳細說明

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無法發(fā)揮理論計算效率，在這里將depthwise卷積修改為group卷積，增強模型的表達能力，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3x3的普通卷積，第二層為一個expand_ratio = 1 的倒置殘差卷積，在原有的MobileNetV2設(shè)計中，使用倒置殘差卷積的目的是為了減少計算量，然而當(dāng)修改為group卷積后，運算量反倒大幅增加，因此將第二層的倒置殘差卷積的兩個堆疊的卷積層，修改為單個普通的3x3卷積。

5.3 對不滿通道對齊的卷積進行對齊

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

5.4 減小expand_ratio

由于原有的depthwise卷積被替換成了group卷積，模型的表達能力大幅增強，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expand_ratio進行消減，將expand_ratio從6修改為4，第二層的expand_ratio由4再消減為2，理論上模型的計算量減少約30%，這種expand_同時也考慮到了M55H的調(diào)度特性，在實際的調(diào)度過程中，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stage，每個stage的比例大概為13:1較優(yōu)，基于此判斷，對MobileNetV2模型的stage進行重新劃分，將原有的stage排布按照39:3進行排列，相比于直接削減channel數(shù)提升速度的方式，修改stage對模型精度的損傷較小，修改見下圖所示：

六

總結(jié)

經(jīng)過對MobilenetV2模型的適應(yīng)性改動，愛芯元智發(fā)布了基于M55H芯片平臺的定制化模型AXSpine，相比于原版MobilenetV2模型，AXSpine-Middle模型具有更高的精度和達到50%提升的速度。得益于愛芯元智M55H平臺軟硬件聯(lián)合設(shè)計優(yōu)化，經(jīng)過改良后的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)用于多組視覺任務(wù)中，歡迎使用：

審核編輯：劉清