基于M55H的定制化backbone模型AxeraSpine-电子发烧友网

一

背景

Backbone模型是各种视觉任务训练的基石，视觉任务模型的性能和模型的速度都受backbone模型的影响，良好的backbone模型可以有效提高视觉任务模型的性能和精度。因此设计优良的backbone模型对视觉任务模型的表现至关重要。目前存在低延迟且高性能的开源模型已经有很多，但这些模型的设计往往只考虑到了理论计算量，并没有和实际的硬件条件相结合，因此这些模型部署到实际的硬件上，并不能发挥最大的速度潜能。针对这个挑战，为了发挥backbone模型的最大潜力，我们在M55H平台上，基于MobileNetV2模型定制了适用于M55H平台的backbone模型AXSpine系列，相比于原始MobileNetV2模型，AXSpine-Middle在精度提升的同时，速度提升了50%，硬件的MAC利用率大幅提高，在多个具体任务上达到80%以上。另外还有多组通过裁剪或者扩充的AXSpine系列模型提供，以供不同延迟和精度要求的视觉任务进行选择。

二

性能指标

以下展示AXSpine-Middle模型和MobileNetV2模型在爱芯元智M55H平台上不同分辨率的性能对比，数据集采用ImageNet数据集，精度均在224x224分辨率条件下进行测试，更多AXSpine模型指标在文章末尾表格中：

模型名称	Input shape	acc1(224 x 224 标准输入条件下)	M55H 帧率(@vnpu111)
MobileNetV2	1x3x576x320	71.88	124 fps
MobileNetV2	1x3x288x160	71.88	373.7 fps
AXSpine-Middle	1x3x576x320	72.87	186 fps
AXSpine-Middle	1x3x1280x720	72.87	36.5 fps
AXSpine-Middle	1x3x1920x1080	72.87	19.4 fps

三

相关模型介绍

3.1 MobileNetV2

MobileNetV2是google提出的用于移动端的backbone模型，具有精度高、计算量小的特点，在移动端设备上推理效果显著。MobileNetV2模型的基本组成块为倒置残差卷积，由两组1x1的卷积和一组3x3的depthwise卷积构成。1x1卷积主要作用为对depthwise卷积做升/降维，3x3的depthwise卷积则在升维的空间上进行卷积运算，这种架构可以在保证表达能力的同时有效地增强计算效率。随后，这种倒置残差卷积结构进行若干次的堆叠，构造成为MobileNetV2模型。

3.2 地平线相关模型

地平线公司也在自身平台上专门对backbone模型进行了优化，并推出了VarGENet和MixVarGENet等系列模型，其基本块如下图所示：

3.3 特斯拉相关模型

特斯拉相关模型为RegNet，RegNet为何凯明的相关工作，旨在用超参数搜索的方式，指导模型设计的相关工作，在低运算量的条件下，取得了相对优良的精度，由于没有用到depthwise卷积，在GPU模型上表现良好，被特斯拉硬件采用。其基本结构与resnet等同，如下所示：

四

模型优化

相对于MobileNetV2官方实现，AXSpine模型做了以下改动：

●将MobileNetV2的所有的depthwise卷积修改为小channel size的group卷积；

●将模型第二层的倒置残差卷积替换为一个简单的3x3 conv层；

●对不满足硬件通道对齐的层进行硬件通道对齐；

● 减小部分层的expand_ratio提高运算速度；

● 将原有的5层stage结构，仿照convnext修改为4层stage结构3393，速度提升，精度降低。

五

改动详细说明

5.1 depthwise卷积修改为group卷积

由于边缘侧芯片的depthwise卷积的支持往往比较低效，这导致使用depthwise卷积的MobileNetV2无法发挥理论计算效率，在这里将depthwise卷积修改为group卷积，增强模型的表达能力，由于芯片组卷积，在特定channel的情况最为高效，因此将所有的depthwise卷积修改为特定channel数的group卷积。

5.2 替换第二层倒置残差卷积

MobileNetV2的第一层为一个3x3的普通卷积，第二层为一个expand_ratio = 1 的倒置残差卷积，在原有的MobileNetV2设计中，使用倒置残差卷积的目的是为了减少计算量，然而当修改为group卷积后，运算量反倒大幅增加，因此将第二层的倒置残差卷积的两个堆叠的卷积层，修改为单个普通的3x3卷积。

5.3 对不满通道对齐的卷积进行对齐

硬件单元在计算的过程中，需要进行数据对齐，如果不满足数据对齐条件，就会降低运算效率，M55H硬件也是一样。因此，为了充分利用硬件的计算能力，需要对不满足channel对齐的层进行对齐操作，MobileNetV2模型中，部分层不满足硬件对齐条件，这里需要对不满足硬件对齐的层进行向上补齐操作，不影响性能，表达能力有所提升。

5.4 减小expand_ratio

由于原有的depthwise卷积被替换成了group卷积，模型的表达能力大幅增强，而我们修改MobileNetV2模型的最终目的是为了在保证精度的情况下，提升速度，因此在此处对expand_ratio进行消减，将expand_ratio从6修改为4，第二层的expand_ratio由4再消减为2，理论上模型的计算量减少约30%，这种expand_同时也考虑到了M55H的调度特性，在实际的调度过程中，由于各层特征图的大小得到了均衡，整体调度效率也得到了提升。

5.5 修改模型stage排布

借鉴convnext文章中的的思路，模型应当包含有4个stage，每个stage的比例大概为13:1较优，基于此判断，对MobileNetV2模型的stage进行重新划分，将原有的stage排布按照39:3进行排列，相比于直接削减channel数提升速度的方式，修改stage对模型精度的损伤较小，修改见下图所示：

六

总结

经过对MobilenetV2模型的适应性改动，爱芯元智发布了基于M55H芯片平台的定制化模型AXSpine，相比于原版MobilenetV2模型，AXSpine-Middle模型具有更高的精度和达到50%提升的速度。得益于爱芯元智M55H平台软硬件联合设计优化，经过改良后的AXSpine模型相较业界友商在单位算力情况下，展现出了强大的性能和延迟表现。此外除了AXSpine-Middle模型以外，还有若干组模型上架，以满足不同的延迟和精度需求，总结表格如下，以下模型目前已应用于多组视觉任务中，欢迎使用：

模型名称	Input shape	acc1(224 x 224 标准输入条件下)	M55H 帧率(@vnpu111)
MobileNetV2	1x3x576x320	71.88	124 fps
AXSpine-Small	1x3x576x320	71.59	227 fps
AXSpine-Middle	1x3x576x320	72.87	186 fps
AXSpine-Big	1x3x576x320	75.31	131 fps