作为国内最早和OpenCV建立合作的公司，OPEN AI LAB配合本次OpenCV V4.5.0的迭代，将集成到OpenCV的Tengine也同步进行了升级，做出了深度的优化，极大的提升了稳定性与效率。作为OpenCV项目的负责人，OPEN AI LAB 的高级软件工程师——李琦老师为大家详细的分享一下为什么OpenCV选择将Tengine作为DNN ARM后端？以及如何为DNN添加Tengine后端。【注：本文图片中部分代码已更新，有任何疑问请加入Tengine开发者社群（文末扫码加入开发者QQ群）】
李琦：“很荣幸能加入OPEN AI LAB , 遇到一些很棒的人和事，这样层层的荣幸叠加，让我有幸能遇到OpenCV中国团队，并且能借此将Tengine和OpenCV结合起来。我这篇将文章围绕OpenCV里面集成Tengine的这项功能的开发流程来讲。”
Tengine是OPEN AI LAB（开放智能）的开源边缘AI推理框架，本身是聚焦在端侧的推理，针对ARM不同的核都有不同的汇编优化实现，在现在国内推理框架层出不穷的时代，Tengine还能稳稳的守住性能王者的位置，也是得益于这一块的优化能力。大家肯定也知道，OpenCV是宇宙最强的计算机视觉库，在神经网络大火的年代也是很早就做了很全的推理的实现，而且接口简单，对老用户来说极其方便，但是在ARM上的性能确实也是还有很大的优化空间。在这样的一个前提下，强强联合，便产生了这样的一个需求。
实现的总体方案是先解决性能的大头，神经网络推理性能耗时八成是在卷积的计算，Tengine在卷积的实现上有采用了高效的手工汇编优化，所以就按照将卷积移植到OpenCV的逻辑来做，如下图示：
这里主要有以下两个问题：
- 如何在OpenCV的卷积运算的时候调用Tengine？这里面包括了OpenCV的图调用逻辑、卷积的调用逻辑、卷积的参数传递、数据排布等等兼容性问题；
- 如何将Tengine顺利嫁接到OpenCV上？仅仅移植卷积实现，还是移植整个Tengine的架构？编译如何无缝链接？
在方案的早期基本就确定了将Tengine作为整体嵌入，编译直接对接，卷积计算以整个图的方式被调用，并以单层构图的方式运行，逻辑如下图
这种方式将Tengine作为一个外挂的库动态编译到OpenCV中，并且被调用执行，需要完成以下工作来实现：
-
OpenCV的集成编译。此步骤需要在OpenCV编译的时候将Tengine编译进去，涉及到了解OpenCV的编译以及Tengine的编译和调用。
-
卷积计算图的调用。要了解OpenCV的单层计算的参数传递和流程，保证能顺利调用Tengine进行计算。
-
完整的测试****。包括OpenCV的CI测试和性能测试。
集成编译
下图是集成编译的调用关系。
实际代码的修改和解释包括：
a. 主CMakeList.txt
b. opencv/cmake/OpenCVFindTengine.cmake
set(OPENCV_LIBTENGINE_ROOT_DIR "" CACHE PATH "Where to look for additional OpenCV modules (can be ;-separated list of paths)") ## 设置用户可配置Tengine的目录。 IF(OPENCV_LIBTENGINE_ROOT_DIR) ## 如果配置了Tengine的目录，使能对应的开关 MESSAGE(STATUS "TENGINE:-- Set tengine lib dir by user ") SET(Tengine_FOUND ON) set(BUILD_TENGINE OFF) SET(Tengine_INCLUDE_DIR ${OPENCV_LIBTENGINE_ROOT_DIR}/include) SET(Tengine_LIB ${OPENCV_LIBTENGINE_ROOT_DIR}/lib/libtengine.a) ELSE() ## 如果没有配置目录，就会调用到tengine.cmake的脚本去下载tengine源码，并编译 MESSAGE(STATUS "TENGINE:-- Auto download Tengine source code. ") include("${OpenCV_SOURCE_DIR}/3rdparty/libtengine/tengine.cmake") ENDIF() IF(NOT Tengine_LIB) ## 对库文件的检测，如果没有，会报异常，并关掉Tengine SET(Tengine_FOUND OFF) MESSAGE(STATUS "#### Could not find Tengine lib. Turning Tengine_FOUND off") ENDIF() IF (Tengine_FOUND) ## 不管是配置了库，还是自动下载源码了，此处都会配置相关的头文件和库文件路径 MESSAGE(STATUS "Found Tengine include: ${Tengine_INCLUDE_DIR}") MESSAGE(STATUS "Found Tengine libraries: ${Tengine_LIB}") set(HAVE_TENGINE 1) set(TENGINE_LIBRARIES ${Tengine_LIB}) set(TENGINE_INCLUDE_DIRS ${Tengine_INCLUDE_DIR}) ENDIF (Tengine_FOUND) MESSAGE(STATUS "Tengine include is:" ${Tengine_INCLUDE_DIR}) MESSAGE(STATUS "Tengine library is:" ${Tengine_LIB}) MARK_AS_ADVANCED( Tengine_INCLUDE_DIR Tengine_LIB Tengine )
c. opencv/3rdparty/libtengine/tengine.cmake
SET(TENGINE_VERSION "tengine-opencv") SET(OCV_TENGINE_DSTDIRECTORY ${OpenCV_BINARY_DIR}/3rdparty/libtengine) SET(DEFAULT_OPENCV_TENGINE_SOURCE_PATH ${OCV_TENGINE_DSTDIRECTORY}/Tengine-${TENGINE_VERSION}) IF(EXISTS ${DEFAULT_OPENCV_TENGINE_SOURCE_PATH}) ## 如果存在Tengine已经下载好的源码，那么不会重复下载，自动编译即可 MESSAGE(STATUS "Tengine is exist already .") SET(Tengine_FOUND ON) set(BUILD_TENGINE ON) ELSE() SET(OCV_TENGINE_FILENAME "${TENGINE_VERSION}.zip") #name2 SET(OCV_TENGINE_URL "https://github.com/OAID/Tengine/archive/") #url2 SET(tengine_md5sum 9c80d91dc8413911522ec80cde013ae2) #md5sum2 MESSAGE(STATUS "**** TENGINE DOWNLOAD BEGIN ****") ocv_download(FILENAME ${OCV_TENGINE_FILENAME} ## 下载Tengine源码 HASH ${tengine_md5sum} URL "${OPENCV_TENGINE_URL}" "$ENV{OPENCV_TENGINE_URL}" "${OCV_TENGINE_URL}" DESTINATION_DIR ${OCV_TENGINE_DSTDIRECTORY} ID TENGINE STATUS res UNPACK RELATIVE_URL) if (NOT res) ## 下载不成功，关掉TENGINE MESSAGE(STATUS "TENGINE DOWNLOAD FAILED .Turning Tengine_FOUND off.") SET(Tengine_FOUND OFF) else () MESSAGE(STATUS "TENGINE DOWNLOAD success . ") SET(Tengine_FOUND ON) set(BUILD_TENGINE ON) endif() ENDIF() if (BUILD_TENGINE) set(HAVE_TENGINE 1) # android system if(ANDROID) ## 配置android系统下需要传递给tengine的参数，是arm32还是arm64 if(${ANDROID_ABI} STREQUAL "armeabi-v7a") set(CONFIG_ARCH_ARM32 ON) elseif(${ANDROID_ABI} STREQUAL "arm64-v8a") set(CONFIG_ARCH_ARM64 ON) endif() endif() # linux system ## 配置linux系统下需要传递给tengine的参数，是arm32还是arm64 if(CMAKE_SYSTEM_PROCESSOR STREQUAL arm) set(CONFIG_ARCH_ARM32 ON) elseif(CMAKE_SYSTEM_PROCESSOR STREQUAL aarch64) ## AARCH64 set(CONFIG_ARCH_ARM64 ON) endif() SET(DEFAULT_OPENCV_TENGINE_SOURCE_PATH ${OCV_TENGINE_DSTDIRECTORY}/Tengine-${TENGINE_VERSION}) set(BUILT_IN_OPENCV ON) ## set for tengine compile discern. set(Tengine_INCLUDE_DIR ${DEFAULT_OPENCV_TENGINE_SOURCE_PATH}/core/include) set(Tengine_LIB ${CMAKE_BINARY_DIR}/lib/${ANDROID_ABI}/libtengine.a) if ( IS_DIRECTORY ${DEFAULT_OPENCV_TENGINE_SOURCE_PATH}) ## 添加编译Tengine add_subdirectory("${DEFAULT_OPENCV_TENGINE_SOURCE_PATH}" ${OCV_TENGINE_DSTDIRECTORY}/build) endif() endif()
d. modules/dnn/CMakeLists.txt
完成如上修改基本上就达到了可以直接从OpenCV中调用Tengine，自动下载Tengine并且编译好给后面卷积计算的调用和链接。
卷积推理的调用
关于卷积的计算调用流程如下：
看上图就会明白，如果需要修改卷积最底层的实现，最终需要修改和了解的是接口：cv::dnn::ConvolutionLayerImpl::forward。该接口的实现是在文件convolution_layer.cpp 中。
实际上，在该接口中调用Tengine还需要了解卷积计算需要的一些参数，以下是实际调用的参数传递过程：
bool tengine_ret = tengine_forward(input_, inch, ngroups, in_h, in_w, ## 输入的数据和尺寸 output_, out_b, outch, out_h, out_w, ## 输出的数据和尺寸 kernel_, kernel_size.size(), kernel.height, kernel.width, ##输入的参数和尺寸 teg_bias, stride.height, stride.width, pad.height, pad.width, dilation.height, dilation.width, weightsMat.step1(), padMode);
详细实现如下：
// 添加头文件 #ifdef HAVE_TENGINE #include "../tengine4dnn/include/tengine_graph_convolution.hpp" #endif #ifdef HAVE_TENGINE int inch = inputs[0].size[1]; // inch int in_h = inputs[0].size[2]; // in_h int in_w = inputs[0].size[3]; // in_w int out_b = outputs[0].size[0]; // out batch size int outch = outputs[0].size[1]; // outch int out_h = outputs[0].size[2]; // out_h int out_w = outputs[0].size[3]; // out_w float *input_ = inputs[0].ptr<float>(); float *output_ = outputs[0].ptr<float>(); float *kernel_ = weightsMat.ptr<float>(); float *teg_bias = &biasvec[0]; ## 调用tengine的forward，所有的参数都在该函数传递进去 bool tengine_ret = tengine_forward(input_, inch, ngroups, in_h, in_w, output_, out_b, outch, out_h, out_w, kernel_, kernel_size.size(), kernel.height, kernel.width, teg_bias, stride.height, stride.width, pad.height, pad.width, dilation.height, dilation.width, weightsMat.step1(), padMode); /* activation */ if((true == tengine_ret) && activ ) ## 如果Tengine推理成功且带有activation的实现，则会调用OpenCV去进行activation的计算 { int out_cstep = out_h * out_w; // out_cstep ParallelConv::run(inputs[0], outputs[0], weightsMat, biasvec, reluslope, kernel_size, strides, pads_begin, pads_end, dilations, activ.get(), ngroups, nstripes); ActivationLayer* activ_ = activ.get(); activ_->forwardSlice(output_, output_, out_cstep, out_cstep, 0, outch); } if(false == tengine_ret) ## 如果使用tengine推理失败，会自动调用OpenCV原始的实现 #endif { int nstripes = std::max(getNumThreads(), 1); ParallelConv::run(inputs[0], outputs[0], weightsMat, biasvec, reluslope, kernel_size, strides, pads_begin, pads_end, dilations, activ.get(), ngroups, nstripes); } }
上面就是将Tengine集成进OpenCV的最主要两大块工作的介绍，实际上还有更多的技术细节此处没有涉及到。比如Tengine里面怎么实现单层的卷积计算，怎么能完全复用OpenCV传递过来的数据地址，而不做重复的数据拷贝，性能的提升主要原因，在编译成功Tengine的库之后怎么能在DNN模块里面调用到Tengine的接口，OpenCV里面自动下载第三方的库是怎么实现的，有没有其他路径，每个convolution都创建一遍图对性能不会有很大的损耗吗？CI测试等等。由于篇幅有限，此处不做介绍，这些将会在后续的技术文章中一一介绍。
