【2021集创赛】海云捷迅杯一等奖：基于稀疏卷积与层融合的流水线优化方案

海云捷迅杯:基于FPGA C5Soc的MobileNetV1 SSD目标检测方案设计

本作品参与极术社区组织的有奖征集|秀出你的集创赛作品风采,免费电子产品等你拿~活动。

**杯赛题目：**海云捷迅杯——基于FPGA C5Soc的MobileNetV1 SSD目标检测方案设计
设计任务：

基于已训练好的SSD模型参数文件、基于已有的Intel FPGA工程网表文件、Linux-C5soc平台的Paddle-Paddle框架驱动为参考，优化或者重新设计加速器以及对应驱动，并部署SSD模型到FPGA进行推理。
对方案进行评估和实现。
提出设计方案，提升性能并实现。

团队介绍

**参赛单位：**南京大学
**队伍名称：**爱卡丝俱乐部
**指导老师：**王中风
**参赛队员：**薛睿鑫、程昕、苏天祺
**总决赛奖项：**一等奖和企业大奖

项目介绍

本项目采用Intel Cyclone V系列的SoC芯片进行开发，部署以MobileNet V1为backbone的SSD目标检测模型，对硬软件进行协同优化，以提高目标检测效率。整个系统包括PS (processing system) 端和PL (programmable logic) 端两部分，PS端包括ARM处理器、Memory，负责数据传输及计算流程的预处理和控制；PL端则包括卷积和偏置激活计算单元、SRAM等，负责对高负载的运算进行加速。PL端的数据通过Avalon总线与DRAM进行交互。

我们在量化、排序、传输、计算、流水线这五个方面对系统进行了优化，具体的优化手段如下图所示。通过上述优化，目标检测的速度提升超过3.5倍。

在这里插入图片描述

我们的技术创新点体现在以下几个方面：

重新设计了稀疏卷积的数据流，采用Row-wise、Weight stationary的滑窗卷积方式，将计算并行度提高到96，并支持channel-wise的input数据稀疏，提高了FPGA上数据的复用性，大大减少数据的传输量，从而减少数据的传输时间、降低功耗。
采用层融合方式处理每层的偏置和激活操作，在FPGA上的卷积计算完成后，将结果直接传到偏置激活计算单元进行计算，再将偏置激活的计算结果经过SRAM传到片外。这样一方面能够加速偏置激活的计算，另一方面，经过偏置激活的计算后，数据能够支持量化为更低比特而不损失精度，从而进一步减少数据的传输。
增加input、weight、bias和output四个 Ping Pong Buffer，使数据传输与计算时间能够重叠，这样进一步优化了数据计算的流水线，在同一时间内进行数据传输和计算，从而实现对系统的加速。
在进行模型预测之前将量化并重排的权重和偏置保存，避免每次预测时对权重和偏置数据的重复量化和重排。

系统架构

为实现快速的目标检测效果，我们设计的系统整体架构图如下图所示。数据经UpSizer和BusMatrix单元进行仲裁，存储到相应的SRAM中。当计算开始时，卷积模块可以直接从SRAM中读取数据，卷积的结果直接传入BiasRelu单元进行计算，再写入Output Ping Pong Buffer，最终的output再经过BusMatrix和UpSizer单元传回DRAM。

在这里插入图片描述

优化效果

经过充分的仿真验证和上板调试，系统能够正确完成目标检测任务，最终的目标识别速度能够达到最快每张图836ms！

在这里插入图片描述

我们统计了优化前后卷积层的加速比，结果如下图所示，相比原始优化前的系统，我们的加速系统能够实现最高39倍加速比，平均4.5倍加速比。

在这里插入图片描述

参赛体会

这次比赛，给了我们一个很好的机会，提升硬软件协同开发的能力。从硬件数据流的设计到代码的调试，我们一步一个脚印，提出了很多优化的方案，并评估它们的可行性，最终实现了上面所述的加速系统。团队的成员也能够优势互补，在讨论中碰撞出了很多火花。非常感谢实验室的学长学姐和赛事指导老师曾给予我们的帮助，在我们遇到难题时帮助我们指明解决问题的方向。

在这里插入图片描述

未来展望

针对深度卷积进行层融合优化。将深度卷积与前一层的卷积融合，减少中间数据的传输。
利用DMA进行片上与片下数据的传输，提高传输效率。
探索更加有效的量化方式，能够进一步减少数据的传输量的同时保持精度。

总结

我们在官方提供的系统基础上进行优化，成功在Intel Cyclon V SoC芯片上部署了以MobileNet v1为backbone网络的SSD目标检测模型，联合优化ARM端和FPGA端，实现了硬件加速效果。
我们有针对性地设计了稀疏卷积和偏置激活计算的数据流，提高FPGA上数据的复用性，减少数据传输；偏置激活的计算与卷积采用层融合的流水线进行优化，能够在加速偏置激活计算的同时，实现更低比特的数据量化，进一步减少数据的传输；Ping Pong Buffer优化的数据传输与计算流水线，使得数据的计算和传输能够在同一时间进行，减少了计算的空闲状态；此外，我们还优化了模型的量化操作，在进行模型预测之前将量化后的权重和偏置保存，避免每次量化时对权重和偏置数据的重复量化。以上工作共同作用，大大优化了系统的整体性能，提升计算速度。
最后的实验结果表明，我们的设计分别在模型中的普通卷积层和逐点卷积层上实现了最高39×和平均4.5×的加速比。在上板测试中，我们在保证结果正确的情况下，将单张图片的识别速度从3000ms提升到了836ms，取得了超过3.5倍的速度提升。