0 引言

    近年來，以卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network，DNN)為代表的深度學(xué)習(xí)算法在許多計(jì)算機(jī)視覺任務(wù)上取得了巨大突破，如圖像分類、目標(biāo)檢測、畫質(zhì)增強(qiáng)等^[1-2]。然而，隨著識別率的提高，深度學(xué)習(xí)算法的計(jì)算復(fù)雜度和內(nèi)存需求也急劇增加，當(dāng)前的通用處理器無法滿足其計(jì)算需求。主流的解決方法是采用圖形處理器(Graphics Processing Unit，GPU)、專用集成電路(Application Specific Integrated Circuit，ASIC)芯片或現(xiàn)場可編程門陣列(Field-Programmable Gate Array，FPGA)來提升計(jì)算性能。GPU采用單指令流多數(shù)據(jù)流架構(gòu)，想要充分發(fā)揮計(jì)算性能，需要大批量數(shù)據(jù)，并且由于高并行度導(dǎo)致的高功耗，很難應(yīng)用于對功耗有嚴(yán)格限制的場合^[3]。ASIC對于具體應(yīng)用可以獲得最佳性能和能效，但是研發(fā)周期長，需要對市場有長久的預(yù)見性。FPGA作為一種高性能、低功耗的可編程芯片，可以使用硬件描述語言來設(shè)計(jì)數(shù)字電路，以形成對應(yīng)算法的加速電路結(jié)構(gòu)。與GPU相比，F(xiàn)PGA低功耗、低延時，適用于小批量流式應(yīng)用^[4]。與ASIC相比，F(xiàn)PGA可以通過配置重新改變硬件結(jié)構(gòu)，對具體應(yīng)用定制硬件，適用于深度學(xué)習(xí)這種日新月異、不斷改變的場景。

    本文首先介紹深度學(xué)習(xí)中的YOLOv2-Tiny目標(biāo)檢測算法^[5]，然后設(shè)計(jì)對應(yīng)的硬件加速器，并且就加速器中各模塊的處理時延進(jìn)行簡單建模，給出卷積模塊的詳細(xì)設(shè)計(jì)，最后，在Xilinx公司的Zedboard開發(fā)板上進(jìn)行評估。

1 YOLOv2-Tiny模型簡介

    YOLOv2-Tiny目標(biāo)檢測算法由以下3步組成：

    (1)對任意分辨率的RGB圖像，將各像素除以255轉(zhuǎn)化到[0，1]區(qū)間，按原圖長寬比縮放至416×416，不足處填充0.5。

    (2)將步驟(1)得到的416×416×3大小的數(shù)組輸入YOLOv2-Tiny網(wǎng)絡(luò)檢測，檢測后輸出13×13×425大小的數(shù)組。對于13×13×425數(shù)組的理解：將416×416的圖像劃分為13×13的網(wǎng)格。針對每個網(wǎng)格，預(yù)測5個邊框，每個邊框包含85維特征(共5×85=425維)。85維特征由3部分組成：對應(yīng)邊框中包含的80類物體的概率(80維)，邊框中心的相對偏移以及相對長寬比的預(yù)測(4維)，邊框是否包含物體的可信度(1維)。

    (3)處理步驟(2)中得到的13×13×425大小的數(shù)組，得到邊框的中心和長寬。根據(jù)各邊框覆蓋度、可信度和物體的預(yù)測概率等，對13×13×5個邊框進(jìn)行處理，得到最有可能包含某物體的邊框。根據(jù)原圖的長寬比，將得到的邊框調(diào)整到原圖尺度，即得到物體的位置與類別信息。

    YOLOv2-Tiny由16層組成，涉及3種層：卷積層(9層)、最大池化層(6層)以及最后的檢測層(最后1層)。其中，卷積層起到特征提取的作用，池化層用于抽樣和縮小特征圖規(guī)模。將步驟(1)稱為圖像的預(yù)處理，步驟(3)稱為圖像的后處理(后處理包含檢測層的處理)。

1.1 卷積層

    對輸入特征圖以對應(yīng)的卷積核進(jìn)行卷積來實(shí)現(xiàn)特征提取，偽代碼如下：

其中(Noy，Nox)、Nof、Nif、(Nky，Nkx)、S分別代表輸出特征圖、輸出特征圖數(shù)、輸入特征圖數(shù)、卷積核大小和步長。pixelL(m，r，c)代表輸出特征圖m中r行c列的像素。

1.2 池化層

    對輸入特征圖降采樣，縮小特征圖的規(guī)模，一般跟在卷積層后。YOLOv2-Tiny采用最大池化層，最大池化層偽代碼如下所示：

其中Max函數(shù)表示返回兩者中較大的值，MIN表示某最小值常量，其他參數(shù)含義與卷積層類似。由于池化層與卷積層類似，只是將卷積層的乘加運(yùn)算替換為比較運(yùn)算；同時，考慮到卷積層往往在網(wǎng)絡(luò)中占據(jù)90%以上的計(jì)算量，因此下文主要討論卷積模塊的設(shè)計(jì)。

2 基于FPGA的YOLOv2-Tiny加速器設(shè)計(jì)

2.1 加速器架構(gòu)介紹

    如圖1所示，加速器采用三層存儲架構(gòu)：片外存儲、片上緩存和處理單元內(nèi)的局部寄存器。加速器從片外存儲中讀取卷積核權(quán)重參數(shù)與輸入特征圖像素到FPGA的片上緩存，通過多次復(fù)用片上緩存中的數(shù)據(jù)來減少訪存次數(shù)和數(shù)據(jù)量。同時，計(jì)算得到的中間結(jié)果都保留在片上輸出緩存或者局部寄存器中，直至計(jì)算出最終的結(jié)果才寫回片外存儲。同時，也可以看出，加速器的時延主要由三部分組成：訪存時延、片上傳輸時延和計(jì)算時延。對應(yīng)于該加速器架構(gòu)，實(shí)際可以分為4個模塊：輸入讀取模塊、權(quán)重讀取模塊、計(jì)算模塊與輸出寫回模塊。

    對應(yīng)的加速器數(shù)據(jù)流偽代碼如下：

2.2 卷積模塊

    對卷積循環(huán)中輸出特征圖數(shù)和輸入特征圖數(shù)兩維展開，形成Tof×Tif個并行乘法單元和Tof個深度的加法樹，流水地處理乘加計(jì)算。以Tof=2，Tif=3為例，如圖2所示。

    充滿流水線后，每個時鐘從Tif個輸入緩存中讀入Tif個像素，從Tof×Tif個權(quán)重緩存中讀入相同位置的參數(shù)，Tof×Tif個并行乘法單元復(fù)用Tif個輸入像素進(jìn)行乘法計(jì)算。Tof個加法樹將乘積兩兩相加，得到的結(jié)果和中間結(jié)果累加后，寫回對應(yīng)輸出緩存。卷積模塊對應(yīng)的處理時延為：

其中Const表示流水線初始化等其他操作所需時鐘，F(xiàn)req表示加速器的工作時鐘頻率。

2.3 各模塊的時延建模

    本節(jié)介紹除卷積計(jì)算模塊外，另外三個模塊（輸入讀取模塊、權(quán)重讀取模塊、輸出寫回模塊）的處理時延。在此約定，MM(Data Length, Burst Lengthmax)表示以最大突發(fā)長度Burst Lengthmax訪存讀取或?qū)懭隓ata Length長度的連續(xù)數(shù)據(jù)所需的訪存時延。

2.3.1 輸入讀取模塊

    輸入讀取模塊的時延LatencyLoad IFM由兩部分組成：

    (1)通過DMA從片外讀取Tif張輸入特征圖像Tiy×Tix大小的像素塊到片上的訪存時延：

    (2)將輸入特征圖像素塊傳輸?shù)狡暇彺娴膫鬏敃r延：

    一般對兩個過程乒乓，輸入讀取時模塊的處理時延為：

2.3.2 權(quán)重讀取模塊

    權(quán)重讀取模塊的時延Latency_{Load W}由兩部分組成：

    (1)通過DMA從片外讀取Tof個卷積核中對應(yīng)Tif張輸入特征圖的Nky×Nkx個權(quán)重到片上的訪存時延：

    (2)將權(quán)重參數(shù)傳輸?shù)狡暇彺娴膫鬏敃r延：

2.3.3 輸出寫回模塊

    輸出寫回模塊的時延Latency_Store由兩部分組成：

    (1)將輸出特征圖像素塊傳輸?shù)紻MA的傳輸時延：

    (2)通過DMA將Tof張輸出特征圖Toy×Tox大小的像素塊寫回片外的訪存時延：

    通過乒乓緩沖設(shè)計(jì)，將輸入讀取模塊的時延Latency_Load、卷積模塊的計(jì)算時延Latency_Compute和輸出寫回模塊的時延Latency_Store相互掩蓋，以減少總時延。

3 實(shí)驗(yàn)評估

3.1 實(shí)驗(yàn)環(huán)境

    基于Xilinx公司的Zedboard開發(fā)板(Dual-core ARM-A9+FPGA)，其中FPGA的BRAM_18Kb、DSP48E、FF和LUT資源數(shù)分別為280、220、106 400和53 200。雙核 ARM-A9，時鐘頻率667 MHz，內(nèi)存512 MB。采用Logitech C210攝像頭，最大分辨率為640×480，最高可達(dá)到30 f/s。當(dāng)前目標(biāo)檢測系統(tǒng)的FPGA資源耗費(fèi)如表1所示。

    對比的其他CPU平臺：服務(wù)器CPU Intel E5-2620 v4(8 cores)工作頻率為2.1 GHz，內(nèi)存為256 GB。

3.2 總體架構(gòu)

    如圖3所示，從USB攝像頭處得到采集圖像，存儲在內(nèi)存中，由ARM進(jìn)行預(yù)處理后交由FPGA端的YOLOv2-Tiny加速器進(jìn)行目標(biāo)檢測，檢測后的相關(guān)數(shù)據(jù)仍存放在內(nèi)存中。經(jīng)ARM后處理后，將帶有檢測類別與位置的圖像寫回內(nèi)存中某地址，并交由FPGA端的HDMI控制器顯示在顯示屏上。

    對應(yīng)的顯示屏上的檢測結(jié)果如圖4所示。COCO數(shù)據(jù)集中圖片進(jìn)行驗(yàn)證的檢測結(jié)果如圖5所示。

3.3 性能評估

    當(dāng)前的設(shè)計(jì)在性能上超過了之前的工作，如表2所示。文獻(xiàn)[6]中的設(shè)計(jì)雖然通過縮小模型以及減小數(shù)據(jù)精度等方式將簡化后的整個YOLOv2-Tiny網(wǎng)絡(luò)按層全部映射到FPGA上，但是各層間由于沒有使用乒乓緩沖，導(dǎo)致訪存與數(shù)據(jù)傳輸時延無法與計(jì)算時延重疊。文獻(xiàn)[7]中的設(shè)計(jì)將卷積運(yùn)算轉(zhuǎn)化為通用矩陣乘法運(yùn)算，并通過矩陣分塊的方式并行計(jì)算多個矩陣分塊，但是將卷積轉(zhuǎn)化為通用矩陣乘法需要在每次計(jì)算前對卷積核參數(shù)復(fù)制與重排序，增加了額外的時延與復(fù)雜度。

    矩陣分塊的方式，并行計(jì)算多個矩陣分塊，但是將卷積轉(zhuǎn)化為通用矩陣乘法需要在每次計(jì)算前對卷積核參數(shù)復(fù)制與重排序，增加了額外的時延與復(fù)雜度。

    如表3所示，與CPU相比，CPU+FPGA的異構(gòu)系統(tǒng)是雙核ARM-A9能效的67.5倍，Xeon的94.6倍；速度是雙核ARM-A9的84.4倍，Xeon的5.5倍左右。

4 結(jié)論

    基于深度學(xué)習(xí)的目標(biāo)檢測算法在準(zhǔn)確度上已超過了傳統(tǒng)方法，然而隨著準(zhǔn)確度的提高，計(jì)算復(fù)雜度和內(nèi)存需求也急劇增加，當(dāng)前的通用處理器無法滿足其計(jì)算需求。本文設(shè)計(jì)并實(shí)現(xiàn)了一種基于FPGA的深度學(xué)習(xí)目標(biāo)檢測系統(tǒng)，設(shè)計(jì)了YOLOv2-Tiny硬件加速器，就加速器中各模塊的處理時延進(jìn)行簡單建模，給出卷積模塊的詳細(xì)設(shè)計(jì)，最終實(shí)現(xiàn)的設(shè)計(jì)性能超過了當(dāng)前的工作。

參考文獻(xiàn)

[1] RUSSAKOVSKY O，DENG J，SU H，et al.Imagenet large scale visual recognition challenge[J].International Journal of Computer Vision，2015，115(3)：211-252.

[2] LIN T Y，MAIRE M，BELONGIE S，et al.Microsoft coco：common objects in context[C].European Conference on Computer Vision. Springer，Cham，2014：740-755.

[3] YU J，GUO K，HU Y，et al.Real-time object detection towards high power efficiency[C].2018 Design，Automation & Test in Europe Conference & Exhibition(DATE).IEEE，2018：704-708.

[4] CONG J，F(xiàn)ANG Z，LO M，et al.Understanding performance differences of FPGAs and GPUs[C].2018 IEEE 26th Annual International Symposium on Field-Programmable Custom Computing Machines(FCCM).IEEE，2018.

[5] REDMON J, FARHADI A.YOLO9000：better，faster，stronger[C].Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition，2017：7263-7271.

[6] 張雲(yún)軻，劉丹.基于小型Zynq SoC硬件加速的改進(jìn)TINYYOLO實(shí)時車輛檢測算法實(shí)現(xiàn)[J].計(jì)算機(jī)應(yīng)用，2019，39(1)：192-198.

[7] WAI Y J，YUSSOF Z B M，SALIM S I B，et al.Fixed point implementation of Tiny-Yolo-v2 using OpenCL on FPGA[J].International Journal of Advanced Computer Science and Applications，2018，9(10).

作者信息:

陳  辰1，嚴(yán)  偉2，夏  珺1，柴志雷1

(1.江南大學(xué) 物聯(lián)網(wǎng)工程學(xué)院，江蘇 無錫214122；2.北京大學(xué) 軟件與微電子學(xué)院，北京102600)