目录

  • 0. FPS记录的原理
  • 1. 自己的
  • 2. 其实yolov5有自带的打印这些参数
  • 3. 清风大佬分享的
    • 3.1 单个的计算fps函数
    • 3.2 整体的完整代码
  • 4. 记录运行B导yolov7-tiny后计算fps的方法

0. FPS记录的原理

参考自:睿智的目标检测21——如何调用摄像头进行目标检测

FPS简单来理解就是图像的刷新频率,也就是每秒多少帧

假设目标检测网络处理1帧要0.02s,此时FPS就是50

#—————————分割线——————————– #

也就是说在计算FPS的时候,会强调每秒每张。因此,在众多博客中计算FPS时,都会注意以下两点:

  1. 实现要求每张:将batch-size设置为1
  2. 实现要求每秒:用1000去除以3个时间之和1s=1000ms,调用yolov5中的val.py后会计算并打印出pre-process图像预处理inference推理NMS非极大值抑制处理这3个ms级时间)

1. 自己的

在yolov5的val.py文件中添加了如下两行代码,即可实现打印:

实现步骤:

  1. val.py中按住快捷键Ctrl+F搜索Print speeds定位过去
  2. 在上图中的合适位置添加如下代码:
FPS = 1000 / sum(t)LOGGER.info(f'FPS: {round(FPS, 3)}')
  1. 调整好合适参数,直接运行val.py即可(但是要注意一下,batch-size要设置为1

2. 其实yolov5有自带的打印这些参数

参考链接:查看yolov5/lite各层参数量和各层FLOPs

实现方法:(主要是直接调用的yolov5中已经写好的代码utils/torch_utils.py中的profile等函数)

  1. 在终端运行yolo.py时,带上参数--profile,这样可以打印整体的参数量、浮点数运算等
  2. 在终端运行yolo.py时,带上参数--line-profile,这样可以打印出每层的参数量、浮点数等(这第2种方法,在yolov5-master下载下来的val.py中可实现,如果单独下载的yolov5-v6.1中没有这个--line-profile参数)

3. 清风大佬分享的

3.1 单个的计算fps函数

def compute_speed(model, input_size, device, iteration=100):torch.cuda.set_device(device)cudnn.benchmark = Truemodel.eval()model = model.cuda()input = torch.randn(*input_size, device=device)for _ in range(50):model(input)print('=========Eval Forward Time=========')torch.cuda.synchronize()t_start = time.time()for _ in range(iteration):model(input)torch.cuda.synchronize()elapsed_time = time.time() - t_startspeed_time = elapsed_time / iteration * 1000fps = iteration / elapsed_timeprint('Elapsed Time: [%.2f s / %d iter]' % (elapsed_time, iteration))print('Speed Time: %.2f ms / iter FPS: %.2f' % (speed_time, fps))return speed_time, fps

3.2 整体的完整代码

def compute_speed(model, input_size, device, iteration=100):torch.cuda.set_device(device)cudnn.benchmark = Truemodel.eval()model = model.cuda()input = torch.randn(*input_size, device=device)for _ in range(50):model(input)print('=========Eval Forward Time=========')torch.cuda.synchronize()t_start = time.time()for _ in range(iteration):model(input)torch.cuda.synchronize()elapsed_time = time.time() - t_startspeed_time = elapsed_time / iteration * 1000fps = iteration / elapsed_timeprint('Elapsed Time: [%.2f s / %d iter]' % (elapsed_time, iteration))print('Speed Time: %.2f ms / iter FPS: %.2f' % (speed_time, fps))return speed_time, fpsif __name__ == '__main__':parser = ArgumentParser()parser.add_argument("--size", type=str, default="256,256", help="input size of model")parser.add_argument('--num-channels', type=int, default=3)parser.add_argument('--batch-size', type=int, default=8)parser.add_argument('--classes', type=int, default=2)parser.add_argument('--iter', type=int, default=501)parser.add_argument('--model', type=str, default='deeplabv3plus_mobilenet')parser.add_argument("--gpus", type=str, default="0", help="gpu ids (default: 0)")args = parser.parse_args()h, w = map(int, args.size.split(','))model = build_model(args.model, num_classes=args.classes)compute_speed(model, (args.batch_size, args.num_channels, h, w), int(args.gpus), iteration=args.iter)

4. 记录运行B导yolov7-tiny后计算fps的方法

B导的yolov7-tiny代码地址:yolov7-tiny-pytorch

兴许他的yolox的fps也可以这样来计算呢,地址为:yolox-pytorch

顺利跑起来的步骤:

  1. 在根目录下的summary.py中加入上面3.清风大佬分享的代码,整体如下:
# --------------------------------------------## 该部分代码用于看网络结构# --------------------------------------------#import torchfrom thop import clever_format, profilefrom torch.backends import cudnnimport timefrom nets.yolo import YoloBodydef compute_speed(model, input_size, device, iteration=1000): # 这个iteration的作用是预热cputorch.cuda.set_device(device)cudnn.benchmark = Truemodel.eval()model = model.cuda()input = torch.randn(*input_size, device=device)for _ in range(50):model(input)print('=========Eval Forward Time=========')torch.cuda.synchronize()t_start = time.time()for _ in range(iteration):model(input)torch.cuda.synchronize()elapsed_time = time.time() - t_startspeed_time = elapsed_time / iteration * 1000fps = iteration / elapsed_timeprint('Elapsed Time: [%.2f s / %d iter]' % (elapsed_time, iteration))print('Speed Time: %.2f ms / iter FPS: %.2f' % (speed_time, fps))return speed_time, fpsif __name__ == "__main__":input_shape = [640, 640]anchors_mask = [[6, 7, 8], [3, 4, 5], [0, 1, 2]]num_classes = 4device = torch.device("cuda" if torch.cuda.is_available() else "cpu")m = YoloBody(anchors_mask, num_classes, False).to(device)for i in m.children():print(i)print('==============================')dummy_input = torch.randn(1, 3, input_shape[0], input_shape[1]).to(device)flops, params = profile(m.to(device), (dummy_input,), verbose=False)# --------------------------------------------------------## flops * 2是因为profile没有将卷积作为两个operations# 有些论文将卷积算乘法、加法两个operations。此时乘2# 有些论文只考虑乘法的运算次数,忽略加法。此时不乘2# 本代码选择乘2,参考YOLOX。# --------------------------------------------------------#flops = flops * 2flops, params = clever_format([flops, params], "%.3f")print('Total GFLOPS: %s' % (flops))print('Total params: %s' % (params))# -------------------------计算fps------------------------ #model = YoloBody(anchors_mask, num_classes, False)speed_time, fps = compute_speed(m, (1, 3, 640, 640), device=0)print(speed_time)print(fps)
  1. 然后就报错咯,如下图

问题应该是出在最后那一句报错:AttributeError: 'LeakyReLU' object has no attribute 'total_ ops'

  1. 针对2.报的错,清风大佬让我试试【把LeaKy这个激活函数去了】。于是我的操作就是:在nets\backbone.py文件中的15行加入一句代码act = False。如下图:

  1. 有个疑问,compute_speed函数中的iteration是什么作用,为什么默认为100?

然后清风大佬就给我解释了:

  • iteration是用于预热cpu
  • iteration的值不固定,对结果的影响很小

下图对比了我训练完之后,用iteration=100iteration=1000的fps结果:

lwd