海思NNIE之PFPLD训练与量化
海思NNIE之PFPLD训练与量化
之前写了关于海思NNIE的一些量化部署工作，笔者不才，文章没有写得很具体，有些内容并没有完全写在里面。好在目前看到了一些使用nniefacelib脱坑的朋友，觉得这个工程还是有些用的。为了完善这个工程，最近也增加一些一站式的解决方案。开始正题吧！
https://github.com/hanson-young/nniefacelib
1. 训练
PFLD 是一个精度高、速度快、模型小三位一体的人脸关键点检测算法。github上也有对其进行的复现工作，而这次要介绍的就是https://github.com/hanson-young/nniefacelib/blob/master/PFPLD/README.md 。
PFPLD （A Practical Facial Pose and Landmark Detector），对PFLD的微改版本，笔者对其进行了一些微小的改变，名字中间多了个”P“。其实是对pose branch进行了加强，同时让其关键点对遮挡、模糊、光照等复杂情况更加鲁棒。
PFLD网络结构
黄色虚线囊括的是主分支网络，用于预测关键点的位置；绿色虚线囊括的是head pose辅助网络。在训练时预测人脸姿态，从而修改loss函数，使更加关注那些稀有的，还有姿态角度过大的样本，从而提高预测的精度。同等规模的网络，只要精度上去，必然是可以想到很多办法来降低计算量的。
直观感受，这个loss的设计模式本质上是一种对抗数据不均衡的表达，和focal loss思想是一致的。但这类思想并不是对于每种工作都能work，笔者曾经回答过类似的问题。
深度学习的多个loss如何平衡 & 有哪些「魔改」损失函数，曾经拯救了你的深度学习模型？
接下来将介绍一些笔者对其微改的地方：
在github上的代码分为了两个分支，下面单独做一下讲解
二、V1.1.1分支
- 用PRNet（
https://github.com/YadiraF/PRNet）标注人脸图像的姿态数据，比原始通过solvePNP得到的效果要好很多，这也直接增强了模型对pose的支持。PRNet是一个非常优秀的3D人脸方面的项目。论文也写的很精彩，强烈推荐去看。目前在活体检测领域用其渲染的depth map作为伪标签进行训练，已经成为了一种标配性的存在。所以当人脸姿态估计算法性能接近于它，证明训练的姿态已经非常不错了。如果想要得到更好的表现，用更加特殊的方法采集人脸姿态数据进行炼丹也是行得通的（吐槽：大部分开源姿态数据标注规范并不统一）。 - 在整个实验中pfld loss收敛速度比较慢，慢也是有原因的，过于重点关注少量复杂的样本，会使得对整体的grad调节不明显，因此对多种loss（mse, pfld, smoothl1 and wing）进行了对比，结果得出，wing loss的效果更加明显，收敛速度也比较快。
- 改进了pfld网络结构，让关键点和姿态角度都能回归的比较好，将landmarks branch合并到pose branch中。由于两个任务相关性较强， 这样做可以让其更加充分的影响。对于这种多任务之间正向促进的例子，通过对网络结构以及辅助监督信号的改进，可以使其结果并不会太过于依赖loss函数的设计。这并不是笔者在的主观判断，感兴趣，可以参考我之前的一个回答，如有不同之处，欢迎一起讨论相关话题。
深度学习的多个loss如何平衡 & 有哪些「魔改」损失函数，曾经拯救了你的深度学习模型？
PFPLD部分网络结构
三，master分支
分支V1.1.1也存在一些问题，比如最大的一个问题就是闭眼的时候效果并不好，显然眼睛部分的关键点已经出现过拟合了。而master分支改进的效果为右列，得到了一些优化。
闭眼的效果
我们也发现一个规律，分别用WLFW 98个点，LAPA 106个点的数据集进行训练，闭眼效果都不行，而300WLP上的却没问题。这或许是一个通病，我也试了其他的算法，也有这些问题，比如
- https://github.com/zeusees/HyperLandmark
- 原版本的PFLD
为什么会出现这个现象呢？这其实和训练数据集里面闭眼图片的数量过少有关系，加强眼部的训练并不能抵抗这种情况，因为不是一个维度的事情，最佳的方式依然是添加闭眼数据。同时也建议大家在制作数据集的时候考虑数据的均衡性
详细的讨论如下：
https://github.com/hanson-young/nniefacelib/issues/13
另外一个问题是PRNet的pose预测在抬头时候不精确，因此V1.1.1中直接用PRNet去标注也不是一种理想方式
为了解决上面两个后面发现的问题，为了解决数据的均衡性，我们挑选出LAPA 106个关键点的数据集中闭眼的数据，加入WLFW中用于解决闭眼问题，引入300WLP用于解决pose问题），新的代码对 dataloader以及wing loss函数进行了优化，目前数据集已经整理好放出来了！请使用PFPLD-Dataset数据集进行训练！欢迎尝鲜！
虽然融合大法好，但是，我们发现一个问题，网上已经开源了很多的关键点数据集，而这些数据集的标注点数并不一致，有没有办法将这些数据都利用起来呢？比如上述WLFW 98点、LAPA 106点、300WLP 68点。答案是肯定的，我们可以有针对性的选择其中的一些点对眼睛、鼻子、轮廓进行单独加强！在实际操作上，LAPA相对于WLFW增加了部分关键点，而且是完全兼容的，这样就可以先对WLFW和LAPA进行一个融合，姑且叫做WLFW2。
而融合300WLP就会面临一些困难，因为点的对应上没法完全兼容，因此需要参考标注标准挑选一些能兼容的点进行训练。下面是对loss的一些修改。
class WingLoss(nn.Module):
def __init__(self):
super(WingLoss, self).__init__()
self.num_lds = 98
self.size = self.num_lds * 2
self.w = 10.0
self.s = 5.0
# 挑选出WLFW2中的眼睛关键点
self.eye_index = [60, 61, 62, 63, 64, 65, 66, 67, 68, 69, 70, 71, 72, 73, 74, 75]
# 挑选出300WLP中与WLFW2想对应的部分关键点
self.pts_68_to_98 = [33,34,35,36,37,42,43,44,45,46,51,52,53,54,55,56,57,58,59,60,64,68,72,76,77,78,79,80,81,82,83,84,85,86,87,88,89,90,91,92,93,94,95]
self.pts_onehot = [i for i in range(98)]
for i in self.pts_onehot:
if i in self.pts_68_to_98:
self.pts_onehot[i] = True
else:
self.pts_onehot[i] = False
self.epsilon = 2.0
def forward(self, attribute_gt, landmark_gt, euler_angle_gt, type_flag , angle, landmarks, train_batchsize):
landms_const = torch.tensor(-2).cuda()
pose_68landms_const = torch.tensor(0).cuda()
# WLFW2中98个点的loss
pos1 = type_flag == landms_const
landm_p = landmarks.reshape(-1, self.num_lds, 2)[pos1]
landm_t = landmark_gt.reshape(-1, self.num_lds, 2)[pos1]
lds_98_loss = 0
if landm_p.shape[0] > 0:
x = landm_t - landm_p
c = self.w * (1.0 - math.log(1.0 + self.w / self.epsilon))
absolute_x = torch.abs(x)
weight_attribute = landm_p*0.0 + 1.0
weight_attribute[:,self.eye_index] *= self.s
absolute_x = torch.mul(absolute_x, weight_attribute)
lds_losses = torch.where(self.w > absolute_x, self.w * torch.log(1.0 + absolute_x / self.epsilon), absolute_x - c)
lds_98_loss = torch.mean(torch.sum(lds_losses, axis=[1, 2]), axis=0)
# 300WLP 中部分关键点的loss和姿态的loss
pos2 = type_flag == pose_68landms_const
pose_p = angle.view(-1, 3)[pos2]
pose_t = euler_angle_gt.view(-1, 3)[pos2]
pose_loss = 0
if pose_p.shape[0] > 0:
pose_loss = F.smooth_l1_loss(pose_p, pose_t, reduction='mean')
landm_p = landmarks.reshape(-1, self.num_lds, 2)[pos2]
landm_t = landmark_gt.reshape(-1, self.num_lds, 2)[pos2]
lds_68_loss = 0
if landm_p.shape[0] > 0:
landm_p = landm_p[:, self.pts_onehot]
landm_t = landm_t[:, self.pts_onehot]
x = landm_t - landm_p
absolute_x = torch.abs(x)
c = self.w * (1.0 - math.log(1.0 + self.w / self.epsilon))
lds_losses = torch.where(self.w > absolute_x, self.w * torch.log(1.0 + absolute_x / self.epsilon), absolute_x - c)
lds_68_loss = torch.mean(torch.sum(lds_losses, axis=[1, 2]), axis=0)
return lds_98_loss + lds_68_loss, pose_loss*1000
疫情当下，口罩遮挡，玄学优化，美图共赏
示例图片
四、量化
过去一周，笔者对训练代码进行了整理，完成了多种版本的转换工作，包括
- pytorch
- caffe
- ncnn
- nnie
听说有小伙伴将这套模型跑到了ios上，说不定之后会放出来。
扯了一大堆，那开始介绍下本文最核心的NNIE。有首先我们要选择一个比较优秀的训练框架，比如，我们选择了pytorch。然后要将模型转换为caffe，那我们选择了onnx作为过度环节
python convert_to_onnx.py
python3 -m onnxsim ./models/onnx/checkpoint_epoch_final.onnx ./models/onnx/pfpld.onnx
cd cvtcaffe
python convertCaffe.py
可以看得出来，经过了很少的步骤，一个被图优化过的caffe模型就出来了，包括merge bn，inplace等优化，"工具人"onnx在其中起到了很重要的作用。
之前也提到过batchnorm会对精度造成一些不知所以的影响，所以
无论我们遇到什么困难，都不要怕，微笑着面对它，消除恐惧的最好办法就是避开恐惧，避开，才会胜利，加油，奥利给！
另外，笔者自己训练模型的时候是不会考虑减均值这种操作的，只会做data_scale处理，为什么这么做，因为放弃思考真得很香。记性不好，不想遇到问题的时候去查，也不太相信减均值能带来明显收益！
果断地只用data_scale模式
量化精度
Github地址如下：
https://github.com/Oneflow-Inc/oneflow