3

我正在使用更快的 rcnn 模型来运行一些对象检测。我使用的包装器是胶子，代码如下：

net = model_zoo.get_model('faster_rcnn_resnet50_v1b_coco', pretrained=True)

im_fname = utils.download('https://github.com/dmlc/web-data/blob/master/' +
                      'gluoncv/detection/biking.jpg?raw=true',
                      path='biking.jpg')
x, orig_img = data.transforms.presets.rcnn.load_test(im_fname)

box_ids, scores, bboxes = net(x)

我的问题是，是否可以减小 net(x) 返回的数组的大小，从而有效地加快计算速度？

问题是该模型将 box_ids、scores 和 bboxes 生成为具有 80000 个元素的数组 - 只有前 10 个元素有用，其余的得分为 -1。我稍后尝试使用 asnumpy() 将这些数组转换为 numpy 数组，但是，mxnet 使用异步引擎，并且该函数必须等待计算结束才能执行。80000 个元素的计算需要更长的时间（5 秒 +），因此我试图减小数组大小（SSD 模型输出大约 6000 个元素并且速度更快）。

如果您有其他关于如何使 .asnumpy() 更快的解决方案，这些也是受欢迎的 - 基本上，一张图像的传递需要 5 秒，这似乎不合理，所以我正在寻找将它减少到 ~0.2 秒（这似乎更合适吧？）

谢谢！

4

1 回答 1

0

您可以通过更改非最大抑制参数来减少检测到的对象的最大数量。见post_nms和set_nms。当您减少此值时，您将获得更少的对象填充（即 -1s），但您也可能会错过具有大量对象的图像中的对象。

net.set_nms(nms_thresh=0.5, nms_topk=50)

我不认为这会增加整体吞吐量，因为绝大多数计算都是在 NMS 之前执行的。如果需要低延迟和高吞吐量，我建议您查看其他架构。yolo3_darknet53_coco 3 (608x608)与 FasterRCNN 相比，在 mAP 方面相差不远，但具有明显更好的吞吐量（~10 倍）。

于 2019-10-31T22:58:19.897 回答