# MODNet 与 RVM 模型制品仓库 (Model Artifact Registry)

> **用途**：集中托管 MODNet 与 RVM 的模型制品（ckpt / onnx / rknn 文件本身）
> **不包含**：训练代码与 C++ 推理代码——这些在配套的私有仓库中维护
>
> **维护者**：PotterWhite
> **最后更新**：2026-07-03
> **许可证（License）**：MIT

---

## 目录（Table of Contents）

1. [MODNet 模型](#1-modnet-模型)
   - [1.1 官方预训练模型](#11-官方预训练模型)
   - [1.2 微调模型 — 摄影数据集](#12-微调模型--摄影数据集)
   - [1.3 ONNX 模型变体](#13-onnx-模型变体)
   - [1.4 目录结构](#14-目录结构)
   - [1.5 速查表](#15-速查表)
2. [RVM 模型](#2-rvm-模型)
   - [2.1 ONNX 模型](#21-onnx-模型)
   - [2.2 RKNN 模型](#22-rknn-模型)
   - [2.3 质量总结](#23-质量总结)
   - [2.4 推荐模型选择](#24-推荐模型选择)
   - [2.5 Graph Surgery：移除最终的 Resize 及以后的算子](#25-graph-surgery移除最终的-resize-及以后的算子)
3. [相关文档](#3-相关文档)
4. [附录：训练日志摘要](#附录训练日志摘要)

---

## 1. MODNet 模型

### 1.1 官方预训练模型

#### 摄影人像抠图（Photographic Portrait Matting）

**文件**：`photographic/modnet_photographic_portrait_matting.ckpt`

```
原始 MODNet 检查点，在人像抠图数据集上训练
- 来源：作者 Google Drive（ZHKKKe/MODNet）
- 格式：PyTorch .ckpt（state_dict）
- 架构：MODNet + IBNorm + InstanceNormalization
- 输入尺寸：512×512
- 用途：微调实验的基线参考
- 状态：✓ 生产基线
```

#### 摄像头人像抠图（Webcam Portrait Matting）

**文件**：`modnet_webcam_portrait_matting.ckpt`

```
针对摄像头实时抠图优化的 MODNet 检查点
- 来源：作者 Google Drive
- 格式：PyTorch .ckpt（state_dict）
- 架构：MODNet + IBNorm + InstanceNormalization
- 输入尺寸：384×384（更低延迟）
- 用途：实时视频/直播场景
- 状态：✓ 可用，当前管线未使用
```

#### MobileNetV2 人体分割（Human Segmentation）

**文件**：`mobilenetv2_human_seg.ckpt`

```
辅助分割模型，用于预处理阶段
- 来源：作者 Google Drive
- 格式：PyTorch .ckpt
- 用途：可选预处理阶段（当前未部署）
- 状态：✓ 可用作参考
```

---

### 1.2 微调模型 — 摄影数据集

#### 纯批归一化变体（Pure Batch Normalization Variant）

**训练轮次**：Block 1.2 微调（2026-03-19 ~ 2026-03-19）

##### 概要

```
在 P3M-10k 摄影数据集上微调 MODNet-BN
- 将所有 IBNorm + InstanceNormalization 替换为纯 BatchNorm2d
- 15 个 Epoch 的监督训练，含学习率调度（Learning Rate Schedule）
- 最佳模型：验证集 L1 Loss 0.0062
```

##### 训练配置

| 参数 | 值 |
|------|-----|
| 数据集（Dataset） | P3M-10k（Photographic 子集） |
| 训练样本数 | 9,421 |
| 验证样本数 | 500 |
| 批大小（Batch Size） | 8 |
| 轮次（Epochs） | 15 |
| 初始学习率（Learning Rate） | 0.01 |
| 学习率调度 | StepLR：γ=0.1 @ epoch 5, 10 |
| 输入尺寸 | 512×512 |
| 优化器（Optimizer） | Adam (β₁=0.9, β₂=0.999) |
| 损失函数（Loss Function） | L1（MAE），作用于 alpha 遮罩 |
| 设备（Device） | NVIDIA A100 (CUDA 11.8) |
| 训练时长 | ~4 小时 |
| 时间戳 | 2026-03-19 15:40:18 |

##### 生成的制品（Artifacts）

```
photographic/finetune/
├── checkpoints/
│   ├── modnet_bn_best.ckpt                    # ★ 最佳模型（Val L1: 0.0062）
│   ├── modnet_bn_epoch_01.ckpt
│   ├── modnet_bn_epoch_02.ckpt
│   ├── ...（epoch 3-14 省略）
│   └── modnet_bn_epoch_15.ckpt
├── logs/
│   └── block1_2_training_20260319_154018.log  # 训练日志（详细）
├── onnx/
│   └── modnet_bn_best_pureBN.onnx             # ★ ONNX 导出（见 §1.3.3）
└── output/
    ├── epoch_01_val.png                       # 验证预览（第 1 轮）
    ├── epoch_02_val.png
    ├── ...（epoch 3-14 省略）
    └── epoch_15_val.png                       # 最终验证可视化
```

##### 验证损失曲线（Validation Loss Curve）

```
Epoch | Val L1 Loss | 改进幅度
------|-------------|-------------------
  1   | 0.0264      | Δ = -0.0202（新最佳）
  2   | 0.0175      | Δ = -0.0089（新最佳）
  3   | 0.0121      | Δ = -0.0054（新最佳）
  4   | 0.0098      | Δ = -0.0023（新最佳）
  5   | 0.0089      | Δ = -0.0009（新最佳）
  6   | 0.0081      | Δ = -0.0008（新最佳）
  7   | 0.0076      | Δ = -0.0005（新最佳）
  8   | 0.0074      | Δ = -0.0002（新最佳）
  9   | 0.0072      | Δ = -0.0002（新最佳）
  10  | 0.0070      | Δ = -0.0002（新最佳）
  11  | 0.0068      | Δ = -0.0002（新最佳）
  12  | 0.0066      | Δ = -0.0002（新最佳）
  13  | 0.0065      | Δ = -0.0001（新最佳）
  14  | 0.0063      | Δ = -0.0002（新最佳）
  15  | 0.0062      | Δ = -0.0001（最终）

→ 第 5 轮后收敛（学习率调度生效），持续稳步改进
```

##### 使用方法

```python
# PyTorch 推理
import torch
from modnet import MODNet

checkpoint = torch.load('photographic/finetune/checkpoints/modnet_bn_best.ckpt')
model = MODNet()
model.load_state_dict(checkpoint)
model.eval()

# 或使用 ONNX 推理（推荐用于部署）
import onnxruntime
sess = onnxruntime.InferenceSession('photographic/finetune/onnx/modnet_bn_best_pureBN.onnx')
```

---

### 1.3 ONNX 模型变体

#### 官方原始版本（Photographic）

**文件**：`photographic/modnet_photographic_portrait_matting.onnx`

```
从官方检查点直接导出的 ONNX
- 来源：作者 Google Drive
- 格式：ONNX opset 11
- 包含：InstanceNormalization 算子
- 输入：[1, 3, 512, 512]（float32，[-1, 1] 归一化）
- 输出：[1, 1, 512, 512]（float32，[0, 1] 范围）
- 状态：✓ 对比参考
- 注意：InstanceNormalization 在 NPU 上会回退到 CPU，**不推荐用于边缘部署**
```

#### 折叠变体（Folded Variant，Anti-fusion）

**文件**：`photographic/modnet_photographic_portrait_matting_in_folded.onnx`

```
通过 anti-fusion 方法展开 InstanceNormalization
- 优化者：PotterWhite (potter_white@outlook.com)
- 日期：2026-03-11 16:11
- 方法：将 InstanceNorm 展开为算术原语
  - Var(x) = E[x²] − (E[x])²
  - 防止 RKNN 编译器重新识别 InstanceNormalization
  - 强制在 CPU 上执行（负面效果）
- 状态：⚠️ 实验性，不推荐
- 分析：违背了优化初衷
```

#### 纯批归一化版本（ONNX 导出）

**文件**：`photographic/finetune/onnx/modnet_bn_best_pureBN.onnx`

```
从 modnet_bn_best.ckpt（微调模型）导出的 ONNX
- 来源：PyTorch 微调训练（第 15 轮）
- 导出日期：2026-03-31 16:15
- 格式：ONNX opset 11
- 架构：纯 BatchNormalization（无 InstanceNorm）
- 输入：[1, 3, 512, 512]（float32，[-1, 1] 归一化）
- 输出：[1, 1, 512, 512]（float32，[0, 1] 范围）
- 文件大小：25 MB
- 状态：⚠️ 参考用。纯 BN 变体在当前量化/部署路径上仍有数值问题，
        **生产部署请用 §1.3.1 官方原版（带 InstanceNorm）**。

技术说明（仅供对比研究）：
  - 无 InstanceNormalization → 理论上是 NPU 友好
  - 全部算子：Conv2d, BatchNorm2d, ReLU 等（硬件友好）
  - 但实测在某些量化路径上数值偏移较大，需进一步调试

已测试环境：
  - ONNX Runtime 1.16.3（CPU, x86_64）
  - ONNX Runtime 1.16.3（aarch64, 模拟环境）
  - RKNN 工具链 v2.3.2（编译阶段验证）
```

##### 验证结果（对比参考）

```
黄金测试向量（Golden Test Vector）：green-fall-girl-point-to.png (1803×1019)
- Python 推理输出：py_08_inference-Output.bin ✓
- C++ 推理输出：cpp_08_inference-Output.bin（待 C++ 构建）
- 预期匹配：像素级 L∞ 误差 < 1e-5（float32 精度）
```

---

### 1.4 目录结构

```
MODNet/
│
├── README.md                                    ← 当前文件
│
├── [官方模型 - 根目录]
│   ├── mobilenetv2_human_seg.ckpt               （备份，非活跃）
│   └── modnet_webcam_portrait_matting.ckpt      （参考用，384×384）
│
└── photographic/                                ← ★ 活跃部署变体
    │
    ├── README.md                                （历史文件，已被取代）
    │
    ├── [官方基线]
    │   ├── modnet_photographic_portrait_matting.ckpt      (1.8 GB)
    │   ├── modnet_photographic_portrait_matting.onnx      (26 MB, InstanceNorm)
    │   └── modnet_photographic_portrait_matting_in_folded.onnx  (26 MB, folded)
    │
    └── finetune/                                ← ★ 活跃训练输出
        │
        ├── checkpoints/                         （PyTorch 制品）
        │   ├── modnet_bn_best.ckpt              ★ (1.8 GB, 最佳模型)
        │   ├── modnet_bn_epoch_01.ckpt
        │   ├── modnet_bn_epoch_02.ckpt
        │   ├── ... (epoch 3-14)
        │   └── modnet_bn_epoch_15.ckpt
        │
        ├── onnx/                                （部署用）
        │   └── modnet_bn_best_pureBN.onnx       ★ (25 MB, 推荐)
        │
        ├── logs/                                （元数据）
        │   └── block1_2_training_20260319_154018.log
        │
        └── output/                              （验证可视化）
            ├── epoch_01_val.png
            ├── epoch_02_val.png
            ├── ... (epoch 3-14)
            └── epoch_15_val.png
```

---

### 1.5 速查表

| 模型 | 文件 | 大小 | 用途 | 状态 |
|------|------|------|------|------|
| **官方摄影模型** | `photographic/modnet_photographic_portrait_matting.ckpt` | 1.8 GB | 基线参考 | ✓ 参考 |
| **官方 ONNX** | `photographic/modnet_photographic_portrait_matting.onnx` | 26 MB | InstanceNorm 变体 | ⚠️ 不推荐 |
| **微调最佳模型** | `photographic/finetune/checkpoints/modnet_bn_best.ckpt` | 1.8 GB | PyTorch 部署 | ✓ 生产 |
| **微调 ONNX** | `photographic/finetune/onnx/modnet_bn_best_pureBN.onnx` | 25 MB | C++/RKNN 部署 | ★ **推荐** |
| **摄像头模型** | `modnet_webcam_portrait_matting.ckpt` | 1.8 GB | 实时流媒体 | ✓ 可用 |

---

## 2. RVM 模型

### 2.1 ONNX 模型

位于 `RobustVideoMatting/onnx/`。

| 模型 | 文件 | 大小 | 骨干网络（Backbone） | 深度导向滤波（Deep Guided Filter） | 来源 |
|------|------|------|----------|-----------------|------|
| **MobileNetV3 FP32** | `rvm_mobilenetv3_fp32.onnx` | 14.3MB | MobileNetV3 | ✓ | PeterL1n/RobustVideoMatting v1.0.0 |
| **MobileNetV3 FP16** | `rvm_mobilenetv3_fp16.onnx` | 7.2MB | MobileNetV3 | ✓ | FP16 导出 |
| **MobileNetV3 FP32** | `rvm_mobilenetv3_fp32_no_refiner.onnx` | 14.3MB | MobileNetV3 | — | 移除 Deep Guided Filter |
| **ResNet50 FP32** | `rvm_resnet50_fp32.onnx` | ~90MB | ResNet50 | ✓ | PeterL1n v1.0.0 |
| **ResNet50 FP16** | `rvm_resnet50_fp16.onnx` | ~45MB | ResNet50 | ✓ | FP16 导出 |

**关键模型属性**（MobileNetV3）：
- Opset 12，IR version 6，353 个节点
- 零个 InstanceNorm 节点（NPU 友好）
- 6 个输入：`src [1,3,H,W]`、`r1i~r4i`（ConvGRU 状态）、`downsample_ratio [1]`
- 经 ArcFoundry `fold_constant_inputs` 处理后：5 个输入（downsample_ratio 烘焙为常量）

### 2.2 RKNN 模型

位于 `RobustVideoMatting/rknn/`，目标平台 RK3588 / RK3588S。

> **全部 RKNN 都已应用 no-resize graph surgery**（详见 §2.5）：refiner 末尾的
> 2× Resize + Mul/Add/Split/Clip 链已从 NPU 图中移除，由 C++ 后处理端实现
> guided-filter 组合 + 上采样。下表不再单独标注 no-resize 变体。

| 模型 | 文件 | 大小 | 分辨率 | 精度 | dsr | 状态 |
|------|------|------|--------|------|-----|------|
| **1080×1920 FP16** | `rvm_mobilenetv3_fp16_1080x1920_0.25-dsr_rk3588s_20260603_rk3588_fp16.rknn` | 10.9MB | 1080×1920 | FP16 | 0.25 | 默认 |
| **736×1280 FP16** | `rvm_mobilenetv3_fp16_736x1280_0.5-dsr_rk3588s_20260603_rk3588_fp16.rknn` | 11.3MB | 736×1280 | FP16 | 0.5 | 较高质量 |
| **736×1280 FP16** | `rvm_mobilenetv3_fp16_736x1280_0.25-dsr_rk3588s_20260603_rk3588_fp16.rknn` | 9.9MB | 736×1280 | FP16 | 0.25 | — |
| **544×960 FP16** | `rvm_mobilenetv3_fp16_544x960_0.5-dsr_rk3588s_20260603_rk3588_fp16.rknn` | 10.3MB | 544×960 | FP16 | 0.5 | 中等质量 |
| **544×960 FP16** | `rvm_mobilenetv3_fp16_544x960_0.25-dsr_rk3588s_20260603_rk3588_fp16.rknn` | 9.5MB | 544×960 | FP16 | 0.25 | — |
| **416×736 FP16** | `rvm_mobilenetv3_fp16_416x736_0.5-dsr_rk3588s_20260603_rk3588_fp16.rknn` | 9.8MB | 416×736 | FP16 | 0.5 | — |
| **416×736 FP16** | `rvm_mobilenetv3_fp16_416x736_0.25-dsr_rk3588s_20260603_rk3588_fp16.rknn` | 9.3MB | 416×736 | FP16 | 0.25 | — |
| **320×576 FP16** | `rvm_mobilenetv3_fp16_320x576_0.5-dsr_rk3588s_20260603_rk3588_fp16.rknn` | 9.5MB | 320×576 | FP16 | 0.5 | — |
| **320×576 FP16** | `rvm_mobilenetv3_fp16_320x576_0.25-dsr_rk3588s_20260603_rk3588_fp16.rknn` | 9.1MB | 320×576 | FP16 | 0.25 | — |
| **288×512 FP16** | `rvm_mobilenetv3_fp16_288x512_0.25-dsr_rk3588s_20260603_rk3588_fp16.rknn` | 9.1MB | 288×512 | FP16 | 0.25 | 早期验证 |
| **256×256 FP16** | `rvm_mobilenetv3_fp16_256x256_0.25-dsr_rk3588s_20260603_rk3588_fp16.rknn` | 8.8MB | 256×256 | FP16 | 0.25 | 早期验证 |

**转换工具**：[ArcFoundry](https://github.com/PotterWhite/ArcFoundry.git) v0.15.0
- 配置目录：`ArcFoundry.git/configs/rvm/`
- 目标平台：RK3588 / RK3588S
- 归一化：`mean=[0,0,0], std=[255,255,255]`（RKNN 运行时执行 `/255.0`）

### 2.3 质量总结

> 当前批次（`rk3588s_20260603`）的板端 benchmark 正在收集中。
> 旧的 s14/s20/s21 数据对应的是已下线的 `rk3588` 批次，不再适用。

通用预期（基于已知的 RVM 行为规律）：

- **dsr 越大，质量越好、速度越慢**（decoder 工作在 `H×dsr × W×dsr` 分辨率上）
- **处理分辨率越大，alpha 边缘越锐利**，但 NPU 推理时间近似线性增长
- 1080p 输入 + `dsr=0.25` 是速度最优档（decoder 工作在 270×480）
- 1080p 输入 + `dsr=0.5` 是质量最优档（decoder 工作在 540×960）—— 当前批次未提供该组合

> 详细 benchmark 数据待补。

### 2.4 推荐模型选择

> 待补。当前批次（`rk3588s_20260603`）的 benchmark 数据收集中。
> 一般规则：质量优先选 `dsr=0.5` 中最大处理分辨率（候选：544×960 / 736×1280），
> 速度优先选 `1080×1920 / dsr=0.25`，低内存选 `256×256 / dsr=0.25`。
> 选定后填入下表。

| 使用场景 | 推荐模型 | 理由 |
|----------|---------|------|
| **质量优先** | _（待补）_ | _（待补）_ |
| **速度优先** | _（待补）_ | _（待补）_ |
| **低内存** | _（待补）_ | _（待补）_ |

### 2.5 Graph Surgery：移除最终的 Resize 及以后的算子

> **本仓库全部 RKNN 模型都已应用此 graph surgery**（见 §2.2 表前的说明）。
> 原始 RVM ONNX 的 refiner 末尾含 2 个 `Resize` + 后续 element-wise 链（Mul、Add、
> Split、Clip 等），通过 ArcFoundry 的 `graph_surgery` 步骤把这些节点从 NPU 图中
> 移除，由 C++ 后处理端自行完成 guided-filter 组合 + 上采样。

#### 裁剪点

| 项目 | 数值 |
|------|-----|
| 原始 ONNX 总节点数 | 353 |
| 被删除的"尾部"命名算子 | 2× Resize + Mul + Add + Split + Add + 2× Clip（共 8 个） |
| `graph.cleanup()` 级联删除的死节点 | 28 个 |
| **图清理后净减少的节点（实测）** | **36 个**（353 → 317） |
| 裁剪版图输出 tensor | `777`（Conv_316 输出，refiner A，4ch，272×480）、`779`（Sub_318 输出，refiner b，4ch，272×480），外加 `r1o~r4o` |

#### 实测算子分类对比

| op_type | 原版 | 裁剪版 | Δ（原版 − 裁剪版） |
|---------|----:|-----:|------------------:|
| Constant | 48  | 32   | +16 |
| Shape    | 12  |  8   |  +4 |
| Slice    | 12  |  8   |  +4 |
| Concat   | 23  | 20   |  +3 |
| Add      | 16  | 14   |  +2 |
| Clip     |  2  |  0   |  +2 |
| Resize   |  7  |  5   |  +2 |
| Mul      | 47  | 46   |  +1 |
| ReduceMean | 2 |  1   |  +1 |
| Split    | 10  |  9   |  +1 |
| **合计** |    |     | **+36** |

> 上表只列出发生变化的 `op_type`（未变的不列出）。

**为什么 `Constant` 减少了 16 个？** 因为 `graph.cleanup()` 会同时清理那些原本只为
被删节点提供常量输入的 Constant 节点；而 `Shape`/`Slice`/`Concat` 的减少则来自
refiner 内 Concat_311 上游、只为已删除 Resize 准备 shape/slice 信息的辅助节点。

**为什么 `Conv` 一颗没少？** 裁剪只动 refiner 尾巴（ID 195-202 对应的算子），
refiner 内部产生 A/b 的 Conv 网络（Conv_312/314/316）被保留——它输出的
A(4ch,272×480) + b(4ch,272×480) 是 C++ 后处理 guided-filter 组合的输入。

---

## 3. 相关文档

本仓库**仅托管模型制品**（ckpt / onnx / rknn 文件），不包含训练代码和 C++ 推理代码。

- 训练流程、ONNX 导出、C++ 推理、RKNN 转换等代码均在配套的私有仓库中维护
- 公开可见的模型来源：
  - MODNet：作者 Google Drive（ZHKKKe/MODNet）
  - RVM：[PeterL1n/RobustVideoMatting](https://github.com/PeterL1n/RobustVideoMatting) v1.0.0
- RKNN 转换 pipeline：[ArcFoundry](https://github.com/PotterWhite/ArcFoundry.git)（配置文件位于其 `configs/rvm/`）

---

## 附录：训练日志摘要

```
[Config] Device: cuda
[Config] Epochs: 15, BS: 8, LR: 0.01, Input: 512×512
[Dataset] Loaded 9421 samples (P3M-10k train)
[Model] Total parameters: 6,487,795
[Model] Trainable parameters: 6,487,795

Training Results (15 epochs):
  - Epoch  1: Avg Loss 0.5410 → Val L1 0.0264 (new best)
  - Epoch  2: Avg Loss 0.3054 → Val L1 0.0175 (new best)
  - Epoch  3: Avg Loss 0.2634 → Val L1 0.0121 (new best)
  - ...
  - Epoch 15: Avg Loss 0.1820 → Val L1 0.0062 (final)

Convergence: ✓ Steady improvement through all 15 epochs
Overfitting: ✓ No significant degradation, clean convergence
```

---

**文档版本**：1.4
**最后更新**：2026-07-03 by PotterWhite
**提交历史**：通过 Git commit message 追踪