基于GhostNet 殘差結(jié)構(gòu)的輕量化飲料識別網(wǎng)絡(luò)

曹遠(yuǎn)杰，高瑜翔

（1.成都信息工程大學(xué) 通信工程學(xué)院，成都 610225；2.氣象信息與信號處理四川省高校重點實驗室，成都 610225）

0 概述

卷積神經(jīng)網(wǎng)絡(luò)自提出以來在計算機視覺領(lǐng)域被廣泛應(yīng)用。在生活中運用智能機器可以節(jié)省人力資源，例如自動售水機、無人超市等。但是當(dāng)售水機部署在學(xué)校等人流量較多的地方時，售水機暴露出效率低、耗時長等缺點。假設(shè)給機器安裝上飲料自動識別，飲料選擇和刷臉支付一體化會使售水機效率更高。因此，飲料等商品的識別對于無人售賣機、智能化超市等是非常必要的。

深度學(xué)習(xí)在目標(biāo)識別與檢測上有著較強的魯棒性，深層神經(jīng)網(wǎng)絡(luò)能夠在復(fù)雜環(huán)境下對目標(biāo)具有較好的識別性能。隨著對目標(biāo)檢測性能要求的提高，研究人員提出了許多深層神經(jīng)網(wǎng)絡(luò)。例如，2014 年ILSVRC 競賽提出的VGGNet［1］和 GoogleNet［2］，2015 年提出 的ResNet 以及后來提出的DenseNet［3］等。但是隨著性能的提高卷積層數(shù)也隨之增加，從而出現(xiàn)權(quán)重參數(shù)較大和設(shè)備推理速度慢的問題。因此，上述方法在實際應(yīng)用中常因為參數(shù)量高和效率低而不能部署在資源有限的設(shè)備上。

為解決效率和存儲問題，研究人員采取剪枝［4］、量化［5］、知識蒸餾［6］以及設(shè)計輕量化網(wǎng)絡(luò)的方法來提高推理的速度。例如針對參數(shù)和推理速度推出的YOLOv3-Tiny［7］網(wǎng)絡(luò)是YOLOv3［8］網(wǎng)絡(luò)的一個簡化版；邵偉平等［9］提出采用MobileNet 作為YOLOv3 主干的網(wǎng)絡(luò)，在基本沒有精度損失的情況下模型尺寸減小到26 MB，相對于YOLOv3 減少了90%；劉萬軍等［10］提出采用深度可分離卷積［11］構(gòu)建反殘差模塊來替換YOLOv3-Tiny 的主干網(wǎng)絡(luò)，在精度無損失的情況下模型尺寸減小到18.2 MB，相對于YOLOv3-Tiny減少了47.7%。但是以上這些網(wǎng)絡(luò)相對于內(nèi)存較低的處理器還是過于龐大。

近年來研究人員設(shè)計一些高效的網(wǎng)絡(luò)模型，例如IANDOLA 等［12］提出SqueezeNet，主要是將3×3 的卷積替換為1×1 的卷積，通過減少3×3 卷積的通道數(shù)等來減小計算量和參數(shù)量；HOWARD 等［13-14］提出了MobileNets，采用大量的深度可分離卷積設(shè)計的神經(jīng)網(wǎng)絡(luò)，該結(jié)構(gòu)可以很大程度地減少參數(shù)量和計算量。但是使用深度可分離卷積也存在缺陷，例如EfficientNet網(wǎng)絡(luò)［15］使用了大量低計算量（FLOPs）和高數(shù)據(jù)讀寫量的操作。由于GPU 訪存帶寬的限制，網(wǎng)絡(luò)浪費大量的時間在顯存中讀寫數(shù)據(jù)。當(dāng)顯存較低時，即使計算量較低推理速度也很慢。例如EfficientNet-B3 的計算量不到ResNet50［16］的1/2，推理速度卻比ResNet50 慢了1 倍。本文針對目標(biāo)檢測網(wǎng)絡(luò)計算量、參數(shù)量大以及設(shè)備推理速度慢等問題，設(shè)計一種基于GhostNet［17］殘差結(jié)構(gòu)網(wǎng)絡(luò)架構(gòu)作為YOLOv4-Tiny 的主干來降低計算量和參數(shù)量，以提高運算效率。

1 YOLOv4-Tiny 網(wǎng)絡(luò)

YOLO 算法［18-19］是近年來較受歡迎的神經(jīng)網(wǎng)絡(luò)算法，該算法使用回歸的方法進(jìn)行目標(biāo)檢測。YOLO 用一個神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)可以同時預(yù)測出預(yù)測框和類別概率，具有執(zhí)行速度快、檢測效率高的特點。YOLOv4［20］是2020 年提出的神經(jīng)網(wǎng)絡(luò)算法，YOLOv4-Tiny 是縮小版的YOLOv4，YOLOv4-Tiny 結(jié)構(gòu)如圖1 所示。

圖1 YOLOv4-Tiny 網(wǎng)絡(luò)結(jié)構(gòu)Fig.1 YOLOv4-Tiny network structure

YOLOv4-Tiny 模型尺寸僅為23 MB，有21 層卷積層、3 層Maxpool 層和2 層步長為2 的卷積。當(dāng)輸入為416 尺寸時輸出為13×13 和26×26 兩種大小的輸出層［21］。圖1 中虛線部分為Resblock_body［22］，該結(jié)構(gòu)經(jīng)過第一個卷積層后將特征圖分組后進(jìn)行后續(xù)的操作。YOLOv4-Tiny 采用了兩層兩步長的普通卷積和3 個Resblock_body 結(jié)構(gòu)作為主干。采用Resblock_body 結(jié)構(gòu)提高了特征的復(fù)用，相較于YOLOv3-Tiny，采用傳統(tǒng)卷積作為主干網(wǎng)絡(luò)有著更好的特征提取，在加快推理速度的同時使得參數(shù)更少。

2 YOLO-GhostNet 算法

2.1 GhostNet 殘差結(jié)構(gòu)

在經(jīng)過卷積后的特征圖是比較相似的，GhostNet的思想是將傳統(tǒng)的卷積分兩步進(jìn)行：第1 步使用較少的卷積核生成一部分特征圖；第2 步對第1 步生成的特征圖使用比較簡單的計算獲得另一部分特征圖，最后將兩組特征圖拼接在一起。第2 個部分的計算可以采用3×3或5×5的通道卷積來替代。標(biāo)準(zhǔn)卷積與GhostNet卷積過程如圖2 所示。

圖2 標(biāo)準(zhǔn)卷積與GhostNet 卷積Fig.2 Standard convolution and GhostNet convolution

假設(shè)輸入特征圖為Di×Di×M，標(biāo)準(zhǔn)卷積核的寬和高為K，GhostNet 卷積的第1 部分卷積核的寬和高為K′，第2 部分為K′′，輸出特征圖為Do×Do×N。

標(biāo)準(zhǔn)卷積的計算量為：

GhostNet 卷積的計算量為：

標(biāo)準(zhǔn)卷積的參數(shù)量為：

GhostNet 卷積的參數(shù)量為：

針對Resblock_body 計算量大、參數(shù)量大、推理速度慢等問題，本文提出采用GhostNet 殘差結(jié)構(gòu)。該結(jié)構(gòu)使用標(biāo)準(zhǔn)卷積與點卷積進(jìn)行降通道，這里第2層卷積層通道為第1 層卷積層的1/2，然后使用5×5 的通道卷積獲得另一半特征圖，通過一個Concat 層拼接起來后與第一層特征圖相加。GhostNet 殘差結(jié)構(gòu)如圖3 所示。

圖3 GhostNet 殘差結(jié)構(gòu)Fig.3 GhostNet residual structure

假設(shè)經(jīng)過卷積過后沒有改變特征圖大小，GhostNet 殘差結(jié)構(gòu)與Resblock_body 結(jié)構(gòu)的輸入特征圖大小都為F×F×P，第1 個卷積層大小都為C×C×P×Q，則GhostNet 殘差結(jié)構(gòu)與Resblock_body 結(jié)構(gòu)計算量之比為：

在步長為1 的卷積時，計算量之比等于參數(shù)量之比。P、Q為輸入輸出通道數(shù)，一般遠(yuǎn)大于C，根據(jù)式（5）可以明顯看出，當(dāng)輸入特征圖相同時，GhostNet殘差結(jié)構(gòu)在參數(shù)量和計算量上都比YOLOv4-Tiny 的Resblock_body 結(jié)構(gòu)更低，理論上推理速度也更快。

2.2 YOLO-GhostNet 網(wǎng)絡(luò)

YOLO-GhostNet 網(wǎng)絡(luò)各層參數(shù)如表1 所示。

表1 YOLO-GhosNet 網(wǎng)絡(luò)參數(shù)Table 1 YOLO-GhosNet network parameters

YOLOv4-Tiny 網(wǎng)絡(luò)相對于YOLOv3-Tiny 網(wǎng)絡(luò)，無論是在識別精度還是模型尺寸上都有不少的改進(jìn)。但是網(wǎng)絡(luò)在類似于CPU 這樣的處理器上，還是顯得有些龐大。因此，本文將GhostNet 殘差結(jié)構(gòu)代替YOLOv4-Tiny 的Resblock_bod 結(jié)構(gòu)，將網(wǎng)絡(luò)大部分3×3 標(biāo)準(zhǔn)卷積采用由一個點卷積和一個5×5 的通道卷積所組成的GhostNet 卷積替代。由式（1）和式（2）可知，使用GhostNet卷積替代標(biāo)準(zhǔn)卷積會隨著輸入通道的變化減少計算量和參數(shù)量，當(dāng)輸入通道越大時，計算量減小越多。YOLO-GhostNet 相比于YOLOv4-Tiny 網(wǎng)絡(luò)計算量減小為原來的31%，參數(shù)量減小為原來的10%。

3 實驗結(jié)果與分析

3.1 實驗數(shù)據(jù)和平臺

本文實驗采用10 097張飲料數(shù)據(jù)集，分別包括雪碧、可樂、綠茶和王老吉4種飲料，每個種類大約2 500張。測試集908張，訓(xùn)練集8 281張，驗證集908張。本次實驗在Windows10操作系統(tǒng)下進(jìn)行，軟件平臺為PyCharm，訓(xùn)練與驗證框架為Keras Tensorflow1.13-GPU 以及CPU 版本。硬件為AMD Ryzen5 3500X型號CPU，GTX1060 6G型號GPU，Batchsize設(shè)置為4，學(xué)習(xí)率采用0.001與0.000 1訓(xùn)練100個epoch，直到Loss不再變化自動終止訓(xùn)練。

3.2 結(jié)果分析

4 種飲料在2 個算法檢測精度如圖4 所示。由圖4 可知，YOLO-GhostNet 在可樂和綠茶2 個種類的精度比YOLOv4-Tiny 算法高，在另外2 種種類略微低一點。平均精確度均值（mAP）為79.43%，相較于YOLOv4-Tiny 基本沒有損失。YOLO-GhostNet 網(wǎng)絡(luò)有12 個BN 層，BN 層在訓(xùn)練時對算法有用，但是在推理時會增加算法訪存量和復(fù)雜度。由于BN 層在做線性運算，因此可以將BN 層融入到卷積層。由于深度學(xué)習(xí)網(wǎng)絡(luò)有較好的魯棒性，進(jìn)行BN 層的融合基本不會影響精度，還可以加快推理速度。BN 層優(yōu)化前后部分參數(shù)如表2 所示。

圖4 YOLO-GhostNet 與YOLOv4-Tiny 算法檢測精度對比Fig.4 Comparison of detection accuracy between YOLO-GhostNet and YOLOv4-Tiny algorithm

表2 YOLO-GhostNet 網(wǎng)絡(luò)BN 層優(yōu)化前后部分參數(shù)Table 2 Some parameters before and after BN layer optimization YOLO-GhostNet network

由表2 可知，經(jīng)過BN 層優(yōu)化后YOLO-GhostNet網(wǎng)絡(luò)在各種類的精度并沒有損失，反而在參數(shù)個數(shù)上減少了4 632 個參數(shù)，對于參數(shù)影響雖然不大，但是在一定程度上減少了網(wǎng)絡(luò)訪存量，使得在CPU 上的推理速度快了22%，GPU 上的推理速度快了10%。

YOLO-GhostNet 與YOLOv4-Tiny 以及經(jīng)過BN 層優(yōu)化后的YOLO-GhostNet算法各項參數(shù)如表3 所示。

表3 YOLO-GhostNet 與YOLOv4-Tiny 各參數(shù)對比Table 3 Comparison of parameters between YOLO-GhostNet and Yolov4-Tiny

由表3可知，YOLO-GhostNet相較于YOLOv4-Tiny算法在輸入為416×416×3 大小時，平均精確度基本無損失，模型尺寸和計算量卻下降較多，大幅減少了設(shè)備的資源消耗，提高了模型的性價比，在推理時間上由于GPU 對卷積加速支持程度的區(qū)別，推理時間并沒有快很多，而在CPU 處理器上運行時，優(yōu)勢可以明顯體現(xiàn)出來，對CPU 和計算資源不足的處理器是非常合適的。

4 結(jié)束語

本文設(shè)計一種YOLO-GhostNet 輕量級網(wǎng)絡(luò)模型。該模型采用GhostNet 殘差結(jié)構(gòu)代替原網(wǎng)絡(luò)的Resblock_body，能夠解決計算量和參數(shù)量大以及推理速度慢而難以部署到計算資源少的設(shè)備的問題。此外，將YOLO-GhostNet 算法運用NCNN 框架經(jīng)過半精度量化和BN 層優(yōu)化后，在AMD Ryzen5 3500X 型號CPU 上推理時處理一張圖片只需要45 ms，相對YOLOv4-Tiny 算法速度提高58%，量化后的模型大小為1.1 MB，可在CPU 上達(dá)到實時檢測的效果。