以下文章來源于DL工程實踐 ，作者DDX

背景

最近采購了一塊新的樹莓派，迫不及待的想要在樹莓派上實現(xiàn)一個實時的手勢識別。從算法的角度講，并不是太難；但是從工程的角度來說，主要有兩個難點，一是手勢數(shù)據(jù)的采集。大家都知道，深度學習的高精度離不開大量的訓練數(shù)據(jù)，網絡設計的再好，沒有足夠的數(shù)據(jù)是不行的。

因此要想實現(xiàn)一個好的手勢識別，采集數(shù)據(jù)就成了一個比較重要的難點；另外一個難點是如何在樹莓派上實現(xiàn)實時的識別。樹莓派實際上是一個使用arm作為處理器的linux系統(tǒng)，但是由于芯片的性能不是很強，比我們使用的手機要弱很多，并且樹莓派目前對vulkan的支持并不好，無法使用vulkan加速，因此對網絡的優(yōu)化也是一個難點。要保證網絡優(yōu)化后的精度不能下降太多，但計算量必須要下降很多。 這次就從這兩個角度出發(fā)，實現(xiàn)一套實時的手勢識別。

由于手勢的類型非常多，有識別數(shù)字的，識別字母的，識別動作的，這里為了拋磚引玉，設計一個相對簡單的識別"剪刀，石頭，布"的手勢識別系統(tǒng)，后續(xù)可以用來制作一個剪刀石頭布的對戰(zhàn)機器人。想要實現(xiàn)其他類型的手勢識別，也完全可以按照這個流程來做。

 數(shù)據(jù)采集

對于數(shù)據(jù)采集，首先看看有沒有開源的手勢識別數(shù)據(jù)集。很遺憾，除了收費的手勢識別數(shù)據(jù)集，基本上都是一些不太完整的手勢識別數(shù)據(jù)集。因此我們需要自己采集。工欲善其事必先利其器，自己采集就得有一些比較好的數(shù)據(jù)采集工具。這里我設計了一款數(shù)據(jù)采集工具（后臺回復“手勢識別”即獲?。?。大家也可以根據(jù)自己的需要開發(fā)自己的數(shù)據(jù)采集工具。其實本質上并不難，使用pyqt+opencv很容易就能開發(fā)一個順手的數(shù)據(jù)采集工具。由于基于python開發(fā)，所以移植性非常好，既可以在windows下使用，也可以在linux，樹莓派上使用。我設計的這個界面非常簡潔，如下圖所示：

opencv會調用camera開始預覽，然后設置一下保存路徑，保存標簽，點擊保存圖片，就可以按照設置的保存間隔進行采集數(shù)據(jù)。例如默認的保存間隔為30，即30幀保存一張圖片，相當于1秒鐘保存一張，如果想要頻率快一些，就將保存間隔設置的小一點。下面的視頻展示了數(shù)據(jù)采集工具的采集過程，為了展示效果，我把保存間隔設置為了60幀，大約2秒保存一張圖片。

我把剪刀的標簽設置為0，石頭的標簽設置為1，布的標簽設置為2，最終通過該數(shù)據(jù)收集工具就收集到了三個文件夾：

接下來需要為訓練數(shù)據(jù)創(chuàng)建標簽文本。這里我將所有圖片的80%作為訓練數(shù)據(jù)數(shù)據(jù)集，剩余的20%作為驗證數(shù)據(jù)集。使用python腳本很容易實現(xiàn)自動創(chuàng)建標簽文件的腳本，代碼如下：

import os
import random
MAX_LABEL=3 #類別的種類數(shù)目
label_list=[]
for label in range(0,MAX_LABEL+1):
    for file in os.listdir(str(label)):
        label_list.append(str(label)+'/' + str(file) + ' ' + str(label))        
#對列表進行shuffle操作
random.shuffle(label_list) 
count = len(label_list)
# 80%作為訓練數(shù)據(jù)集
train_count = int(count * 0.8) 
train_list = label_list[0:train_count]
test_list = label_list[train_count:]
print('total count=%d train_count=%d test_count=%d'%(count, train_count, count-train_count))
# 寫入train.txt標簽文件
with open('train.txt', 'w') as f:
    for line in train_list:
        f.write(line + '')
# 寫入test.txt標簽文件
with open('test.txt', 'w') as f:
    for line in test_list:
        f.write(line + '')

 網絡設計

完成了數(shù)據(jù)收集，那么就可以開始為手勢識別系統(tǒng)設計一個網絡了。由于需要在樹莓派這樣的低性能硬件上面運行CNN，那么可以考慮從輕量級網絡中選擇一個來進行優(yōu)化。例如google的mobilenet系列，efficient lite系列，曠世的shufflenet系列，華為的ghostnet等。那這些模型如何選擇呢？我之前有一篇關于這些輕量級的模型的評測，有興趣的可以去看看，《輕量網絡親測 | 專家從7個維度全面評測輕量級網絡》，通過之前的評測，我發(fā)現(xiàn)shufflenetv2在精度和推理延時上面有一個很好的平衡，因此我選擇了shufflenetv2作為手勢識別系統(tǒng)的基礎網絡。直接使用shufflenetv2雖然能夠在樹莓派上較為流暢的運行，但是還達不到實時的效果，因此需要對shufflentv2進行一些優(yōu)化，主要是為了降低計算量，并且能夠盡量保持精度。降低計算量可以從如下幾個方面考慮：

降低shufflenet的通道系數(shù)

shufflenetv1/v2在設計之初，本身就考慮了應用在不同的資源設備上，因此設置了一個通道系數(shù)，直接調整該通道系數(shù)，就可以獲得更小計算量的模型。然而通過實際測試，直接將通道系數(shù)從1.0x降低為0.5x，在降低計算量的同時，也會對精度損失較大。因此不采用該方案。

降低輸入分辨率

shufflenet的原始輸入分辨率為224*224，如果將分辨率降低x，那么計算量將降低x^2，因此收益很大。但是通過測試發(fā)現(xiàn)，直接將分辨率降低，對精度的影響也會很大。所以也不采用降低分辨率的方案。

裁剪shufflenetv2不重要的1*1卷積

通過觀察shufflenet的block，可以分為兩種結構，一種是每個stage的第一個block，該block由于需要降采樣，升維度，所以對輸入直接復制成兩份，經過branch1,和branch2之后再concat到一起，通道翻倍，如下圖中的降采樣block所示。另外一種普通的block將輸入split成兩部分，一部分經過branch2的卷積提取特征后直接與branch1的部分進行concat。如下圖中的普通block所示：

一般在DW卷積（depthwise卷積）的前或后使用1*1的卷積處于兩種目的，一種是融合通道間的信息，彌補dw卷積對通道間信息融合功能的缺失。另一種是為了降維升維，例如mobilenet v2中的inverted reddual模塊。而shufflenet中的block，在branch2中用了2個1*1卷積，實際上有一些多余，因為此處不需要進行升維降維的需求，那么只是為了融合dw卷積的通道間信息。實際上有一個1*1卷積就夠了。因此將上述紅色虛線框中的1*1卷積核刪除。經過測試，精度幾乎不降低，計算量卻下降了30%。因此裁剪1*1的卷積核將是一個不錯的方法。

加入CSP模塊

csp在大型網絡上取得了很大的成功。它在每個stage，將輸入split成兩部分，一部分經過原來的路徑，另一部分直接shortcut到stage的尾部，然后concat到一起。這既降低了計算量，又豐富了梯度信息，減少了梯度的重用，是一個非常不錯的trip。在yolov4，yolov5的目標檢測中，也引入了csp機制，使用了csp_darknet。此處將csp引入到shufflenet中。并且對csp做了一定的精簡，最終使用csp stage精簡版本作為最終的網絡結構。

經過測試，網絡雖然能大幅降低計算量，但是精度降低的也很明顯。分析原因，主要有兩個，一是shufflenetv2本身已經使用了在輸入通道split，然后concat的blcok流程，與csp其實是一樣的，只是csp是基于一個stage，shufflenetv2是基于一個block，另外csp本來就是在densenet這種密集連接的網絡上使用有比較好的效果，在輕量級網絡上不見得效果會好。

因此最終將網絡設計為基于shufflenetv2 1.0x，并精簡了多余的1*1卷積的版本，命名為：shufflenetv2_liteconv版本。

 網絡訓練

收集好了數(shù)據(jù)，并且也設計好了網絡，那么接下來就是訓練了?；趐ytroch，大家可以很方便的編寫出一個簡單的訓練流程。這里我選擇從0開始訓練，沒有使用shufflenet v2 1.0x的預訓練模型，因為我們對shufflenet做了優(yōu)化，刪除了很多1*1的conv，直接使用預訓練模型會不匹配，因此從0開始訓練。學習率可以適當?shù)姆糯笠恍?，epoch數(shù)目可以適當大一些。我把我的訓練超參貼出來，大家可以參考使用：

訓練epoch：60

初始學習率：0.01

學習率策略：multistep（35，40）

優(yōu)化器：moment sgd

weight decay：0.0001

最終在訓練完50個epoch之后，loss大約為0.1，測試集上面的精度為0.98。

 網絡部署

網絡部署可以采用很多開源的推理庫。例如mnn，ncnn，tnn等。這里我選擇使用ncnn，因為ncnn開源的早，使用的人多，網絡支持，硬件支持都還不錯，關鍵是很多問題都能搜索到別人的經驗，可以少走很多彎路。但是遺憾的是ncnn并不支持直接將pytorch模型導入，需要先轉換成onnx格式，然后再將onnx格式導入到ncnn中。另外注意一點，將pytroch的模型到onnx之后有許多膠水op，這在ncnn中是不支持的，需要使用另外一個開源工具：onnx-simplifier對onnx模型進行剪裁，然后再導入到ncnn中。因此整個過程還有些許繁瑣，為了簡單，我編寫了從"pytorch模型->onnx模型->onnx模型精簡->ncnn模型"的轉換腳本，方便大家一鍵轉換，減少中間過程出錯。我把主要流程的代碼貼出來（詳細的代碼請關注公眾號"DL工程實踐"，后臺回復“手勢識別”四個字，可獲?。?/p>

# 1、pytroch模型導出到onnx模型
torch.onnx.export(net,input,onnx_file,verbose=DETAIL_LOG)
# 2、調用onnx-simplifier工具對onnx模型進行精簡
cmd = 'python -m onnxsim ' + str(onnx_file) + ' ' + str(onnx_sim_file)
ret = os.system(str(cmd))
# 3、調用ncnn的onnx2ncnn工具，將onnx模型準換為ncnn模型
cmd = onnx2ncnn_path + ' ' + str(new_onnx_file) + ' ' + str(ncnn_param_file) + ' ' + str(ncnn_bin_file)
ret = os.system(str(cmd))
# 4、對ncnn模型加密（可選步驟）cmd = ncnn2mem_path + ' ' + str(ncnn_param_file) + ' ' + str(ncnn_bin_file) + ' ' + str(ncnn_id_file) + ' ' + str(ncnn_mem_file)
ret = os.system(str(cmd))

導出到ncnn模型之后，就可以在ncnn模型上運行訓練好的手勢識別庫。ncnn是基于C++開發(fā)的，因此編寫上層應用的時候使用C++是效率最高的。我為了簡單，使用python來調用ncnn的C++庫也是可以的，不過會損失一丟丟的性能，但這是值得的，人生苦短，我用python。下面這個視頻是最終部署好的手勢識別程序。

 總結

本次實踐完成了基于樹莓派的實時手勢識別，算法上并不復雜，主要是工程實踐上的一些問題，例如數(shù)據(jù)的采集，網絡的優(yōu)化，以及后期的推理轉換等。實際上還有一些工作可以優(yōu)化，例如對模型的量化，對數(shù)據(jù)的增強。通過模型量化，可以進一步提升運算效率，通過數(shù)據(jù)增強可以彌補我們自己采集的數(shù)據(jù)分布單一，過擬合的風險，這些問題就留給讀者朋友們自己去思考了。