yolov4-tiny通过pytorch导出不带split算子的onnx

前言

最近一直忙于模型移植板端，用了不少厂家的sdk，发现挺多厂家的sdk都处于起步阶段，缺少一些技术支持，比如不支持五维向量，不支持一些onnx算子，不支持过深的模型结构，我最爱的Yolov5,v6,v7等高精度目标检测模型都无法移植上去，那就只能把眼光放回几年前尝试移植yolov3tiny和yolov4tiny，结果发现这玩意它要么darknet转onnx，要么是非官方实现的pytorch转onnx，转了之后还要求版本，算子，才能移植。
比如yolov3tiny网上下载的预训练权重本身就有问题（虽然之后修复但因为未知原因仍然没法移植过去），而yolov4tiny的问题在于不支持split算子，所以本文我来分享一下修改yolov4tiny的结构从而导出能移植的onnx，免得后来人又像我一样浪费几天时间折腾。

注：修改onnx有两种方式，导出前改和导出后改，在这里不推荐导出后改，难改也容易出问题，另外网上的onnx可视化修改工具我也试过了，十个里八个修改错误，基本没用。

准备

onnx
onnxsim
pytorch
这些前置要求请根据自己的环境配置。
我这里onnx1.12.0，torch1.11.0+cpu，onnxsim0.4.10。
1.下载yolov4的pytorch版源码和对应pth文件。

git clone https://github.com/bubbliiiing/yolov4-tiny-pytorch

进github页面里附带的百度网盘地址：

下载yolov4_tiny_weights_coco.pth即可。这里给不懂pytorch的说明一下，pth需配合模型网络代码才能成功加载，你如果只load pth只有一串字典。。

2.下载解压后打开目录下predict.py文件：

把mode里的值修改为export_onnx，就可以运行python predict.py产生onnx了

3.打开同一目录下yolo.py文件，查看或修改如下：

如果你没有显卡或者说没有安装cuda，把cuda设为False，这里默认是True。

这里是控制torch导出onnx的行为，其中最重要的是opset_version，请根据你所需要的算子版本来，这里默认是12，我需要的也是12，就不改了。此外默认是开启onnxsim简化的，这个简化很重要，能避免torch导出一些不必要的算子。

4.修改nets文件夹里的CSPdarknet53_tiny.py：

经过查找，这里面残差块的torch.split函数导致torch导出onnx时产生了split算子：

c = self.out_channels
# 对特征层的通道进行分割，取第二部分作为主干部分。
x = torch.split(x, c//2, dim = 1)[1]
# 对主干部分进行3x3卷积
x = self.conv2(x)

在netron里表现如下：

就是沿着第二个维度分成两半然后取第二部分。这其实和torch.chunk函数表现是相同的。
所以我们修改代码如下：

扫描二维码关注公众号，回复： 15404502 查看本文章

c = self.out_channels
# 对特征层的通道进行分割，取第二部分作为主干部分。
x = torch.chunk(x, 2, dim=1)[1]
# 对主干部分进行3x3卷积
x = self.conv2(x)

5.最后导出，命令行里运行python predict.py，并在model_data文件夹下用netron查看模型。
这里先展示没有开启onnxsim，导出的模型图，你会发现整了多余的shape和gather算子：

如果按照默认设置开启了onnxsim，就可以导出正确的模型结构图：

发现split已经完美变成了Slice，达到了我们的目的。

总结

我估计可能有看完的读者会问，既然如此为啥不直接用onnx的api来删除然后插入一个Slice算子呢？之前也讲过了，不仅很复杂，而且你插入之后onnx它不认！与其继续折腾不如在导出前就修改网络结构，只要明白torch和onnx算子的对应关系还是很容易做到的。另外这里预告一下，下一篇文章将介绍如何修改darknet转onnx的结构使得yolov3tiny.onnx能够正确运行，那个东西在github上被提了一堆issue反映shape inference error，但原始作者没有回答。