基于C#和OpenVINO在英特尔独立显卡上部署PP-TinyPose模型

openlab_4276841a 更新于 1年前

作者：杨雪锋 英特尔物联网行业创新大使 

OpenVINO™ 2022.2版开始支持英特尔独立显卡，还能通过“累计吞吐量”同时启动集成显卡 + 独立显卡助力全速AI推理。本文基于C#和OpenVINO，将PP-TinyPose模型部署在英特尔独立显卡上。

1.1 PP-TinyPose模型简介

PP-TinyPose是飞桨PaddleDetecion针对移动端设备优化的实时关键点检测模型，可流畅地在移动端设备上执行多人姿态估计任务。PP-TinyPose可以基于人体17个关键点数据集训练后，识别人体关键点，获得人体姿态，如图 1所示。

图 1  PP-TinyPose识别效果图

PP-TinyPose开源项目仓库：https://gitee.com/paddlepaddle/PaddleDetection/tree/release/2.5/configs/keypoint/tiny_pose


1.1.1 PP-TinyPose框架

PP-TinyPose提供了完整的人体关键点识别解决方案，主要包括行人检测以及关键点检测两部分。行人检测通过PP-PicoDet模型来实现，关键点识别通过Lite-HRNet骨干网络+DARK关键点矫正算法来实现，如下图所示。

图 2 PP-TinyPose人体关键点识别 


1.2 构建开发环境

本文构建的开发环境，如下所示：

n OpenVINOTM：2022.2.0

n OpenCV：4.5.5

n Visual Studio：2022

n C#框架：.NET 6.0

n OpenCvSharp：OpenCvSharp4

1.2.1 下载项目完整源代码

项目所使用的源码已在完整开源，读者可以直接克隆到本地。

git clone  https://gitee.com/guojin-yan/Csharp_and_OpenVINO_deploy_PP-TinyPose.git


1.3 在C#中调用OpenVINO Runtime API

由于OpenVINO Runtime只有C++和Python API接口，需要在C#中通过动态链接库方式调用OpenVINO Runtime C++ API。具体教程参考《在C#中调用OpenVINO™ 模型》，对应的参考范例：https://github.com/guojin-yan/OpenVinoSharp.git

1.3.1 在C#中构建Core类

为了更方便的使用，可以在C#中，将调用细节封装到Core类中。根据模型推理的步骤，构建模型推理类：

（1）构造函数

        public Core(string model_file, string device_name){

            // 初始化推理核心

            ptr = NativeMethods.core_init(model_file, device_name);

        }

在该方法中，主要是调用推理核心初始化方法，初始化推理核心，读取本地模型，将模型加载到设备、创建推理请求等模型推理步骤。

（2）设置模型输入形状

        

// @brief 设置推理模型的输入节点的大小

        // @param input_node_name 输入节点名

        // @param input_size 输入形状大小数组

        public void set_input_sharp(string input_node_name, ulong[] input_size) {

            // 获取输入数组长度

            int length = input_size.Length;

            if (length == 4) {

                // 长度为4，判断为设置图片输入的输入参数，调用设置图片形状方法

                ptr = NativeMethods.set_input_image_sharp(ptr, input_node_name, ref input_size[0]);

            }

            else if (length == 2) {

                // 长度为2，判断为设置普通数据输入的输入参数，调用设置普通数据形状方法

                ptr = NativeMethods.set_input_data_sharp(ptr, input_node_name, ref input_size[0]);

            }

            else {

                // 为防止输入发生异常，直接返回

                return;

            }

        }

（3）加载推理数据

  // @brief 加载推理数据

        // @param input_node_name 输入节点名

        // @param input_data 输入数据数组

        public void load_input_data(string input_node_name, float[] input_data) {

            ptr = NativeMethods.load_input_data(ptr, input_node_name, ref input_data[0]);

        }

        // @brief 加载图片推理数据

        // @param input_node_name 输入节点名

        // @param image_data 图片矩阵

        // @param image_size 图片矩阵长度

        public void load_input_data(string input_node_name, byte[] image_data, ulong image_size, int type) {

            ptr = NativeMethods.load_image_input_data(ptr, input_node_name, ref image_data[0], image_size, type);

        }

加载推理数据主要包含图片数据和普通的矩阵数据，其中对于图片的预处理，也已经在C++中进行封装，保证了图片数据在传输中的稳定性。

（5）模型推理

   // @brief 模型推理

        public void infer() {

            ptr = NativeMethods.core_infer(ptr);

        }

（6）读取推理结果数据

        

// @brief 读取推理结果数据

        // @param output_node_name 输出节点名

        // @param data_size 输出数据长度

        // @return 推理结果数组

        public T[] read_infer_result<T>(string output_node_name, int data_size) {

            // 获取设定类型

            string t = typeof(T).ToString();

            // 新建返回值数组

            T[] result = new T[data_size];

            if (t == "System.Int32") { // 读取数据类型为整形数据

                int[] inference_result = new int[data_size];

                NativeMethods.read_infer_result_I32(ptr, output_node_name, data_size, ref inference_result[0]);

                result = (T[])Convert.ChangeType(inference_result, typeof(T[]));

                return result;

            }

            else { // 读取数据类型为浮点型数据

                float[] inference_result = new float[data_size];

                NativeMethods.read_infer_result_F32(ptr, output_node_name, data_size, ref inference_result[0]);

                result = (T[])Convert.ChangeType(inference_result, typeof(T[]));

                return result;

            }

        }

在读取模型推理结果时，支持读取整形数据和浮点型数据。

（7）清除地址

 // @brief 删除创建的地址

        public void delet() {

            NativeMethods.core_delet(ptr);

        }

完成上述封装后，在C#平台下，调用Core类，就可以方便实现OpenVINO推理程序了。


1.4 下载并转换PP-PicoDet模型

1.4.1 PP-PicoDet模型简介

Picodet_s_320_lcnet_pedestrian Paddle格式模型信息如下表所示，其默认的输入为动态形状，需要将该模型的输入形状变为静态形状。

表 1 Picodet_s_320_lcnet_pedestrian Paddle格式模型信息

Input

Output

名称

x

concat_8.tmp_0

transpose_8.tmp_0

形状

[bath_size, 3, 320, 320]

[bath_size, 2125, 4]

[bath_size, 1, 2125]

数据类型

Float32

Float32

Float32

1.4.2 模型下载与转换

第一步：下载模型：

命令行直接输入以下模型导出代码，使用PaddleDetecion自带的方法，下载预训练模型并将模型转为导出格式。

导出picodet_s_320_lcnet_pedestrian模型：

python tools/export_model.py -c configs/picodet/application/pedestrian_detection/picodet_s_320_lcnet_pedestrian.yml -o export.benchmark=False export.nms=False weights=https://bj.bcebos.com/v1/paddledet/models/keypoint/tinypose_enhance/picodet_s_320_lcnet_pedestrian.pdparams --output_dir=output_inference

导出picodet_s_192_lcnet_pedestrian模型：

python tools/export_model.py -c configs/picodet/application/pedestrian_detection/picodet_s_192_lcnet_pedestrian.yml -o export.benchmark=False export.nms=False weights=https://bj.bcebos.com/v1/paddledet/models/keypoint/tinypose_enhance/picodet_s_192_lcnet_pedestrian.pdparams --output_dir=output_inference

此处导出模型的命令与我们常用的命令导出增加了export.benchmark=False和export.nms=False两个指令，主要是关闭模型后处理以及打开模型极大值抑制。如果不关闭模型后处理，模型会增加一个输入，且在模型部署时会出错。

第二步，将模型转换为ONNX格式：

该方式需要安装paddle2onnx和onnxruntime模块。导出方式比较简单，比较注意的是需要指定模型的输入形状，用于固定模型批次的大小。在命令行中输入以下指令进行转换：

paddle2onnx --model_dir output_inference/picodet_s_320_lcnet_pedestrian --model_filename model.pdmodel --params_filename model.pdiparams --input_shape_dict "{'image':[1,3,320,320]}" --opset_version 11 --save_file picodet_s_320_lcnet_pedestrian.onnx

第三步：转换为IR格式

利用OpenVINOTM模型优化器，可以实现将ONNX模型转为IR格式

mo --input_model picodet_s_320_lcnet_pedestrian.onnx --input_shape [1,3,256,192] --data_type FP16


1.5 下载并转换PP-TinyPose模型

1.5.1 PP-TinyPose模型简介

PP-TinyPose 模型信息如下表所示，其默认的输入为动态形状，需要将该模型的输入形状变为静态形状。

表 2 PP-TinyPose 256×192 Paddle 模型信息

Input

Output

名称

image

conv2d_441.tmp_1

argmax_0.tmp_0

形状

[bath_size, 3, 256, 192]

[bath_size, 17, 64, 48]

[bath_size,17]

数据类型

Float32

Float32

Int64

1.5.2 模型下载与转换

第一步：下载模型：

命令行直接输入以下代码，或者浏览器输入后面的网址即可。

wget https://bj.bcebos.com/v1/paddledet/models/keypoint/tinypose_enhance/tinypose_256x192.zip

下载好后将其解压到文件夹中，便可以获得Paddle格式的推理模型。

第二步：转换为ONNX格式：

该方式需要安装paddle2onnx和onnxruntime模块。在命令行中输入以下指令进行转换，其中转换时需要指定input_shape，否者推理时间会很长：

paddle2onnx --model_dir output_inference/tinypose_256_192/paddle --model_filename model.pdmodel --params_filename model.pdiparams --input_shape_dict "{'image':[1,3,256,192]}" --opset_version 11 --save_file tinypose_256_192.onnx

第三步：转换为IR格式

利用OpenVINOTM模型优化器，可以实现将ONNX模型转为IR格式。

cd .\openvino\tools

mo --input_model paddle/model.pdmodel --input_shape [1,3,256,192] --data_type FP16


1.6 编写OpenVINO推理程序

1.6.1 实现行人检测

第一步：初始化PicoDet行人识别类

// 行人检测模型

string mode_path_det = @"E:\Text_Model\TinyPose\picodet_v2_s_320_pedestrian\picodet_s_320_lcnet_pedestrian.onnx";

// 设备名称

string device_name = "CPU";

PicoDet pico_det = new PicoDet(mode_path_det, device_name);

首先初始化行人识别类，将本地模型读取到内存中，并将模型加载到指定设备中。

第二步：设置输入输出形状

Size size_det = new Size(320, 320);

pico_det.set_shape(size_det, 2125);

根据我们使用的模型，设置模型的输入输出形状。

第三步：实现行人检测

// 测试图片

string image_path = @"E:\Git_space\基于Csharp和OpenVINO部署PP-TinyPose\image\demo_3.jpg";

Mat image = Cv2.ImRead(image_path);

List<Rect> result_rect = pico_det.predict(image);

在进行模型推理时，使用OpenCvSharp读取图像，然后带入预测，最终获取行人预测框。最后将行人预测框绘制到图片上，如下图所示。

图 3 行人位置预测结果

1.6.2 实现人体姿态识别

第一步：初始化P人体姿势识别PPTinyPose类

// 关键点检测模型

// onnx格式

string mode_path_pose = @"E:\Text_Model\TinyPose\tinypose_128_96\tinypose_128_96.onnx";

// 设备名称

string device_name = "CPU";

PPTinyPose tiny_pose = new PPTinyPose(mode_path_pose, device_name);

首先初始化人体姿势识别PPTinyPose类，将本地模型读取到内存中，并加载到设备上。

第二步：设置输入输出形状

Size size_pose = new Size(128, 96);

tiny_pose.set_shape(size_pose);

PP-TinyPose模型输入与输出有对应关系，因此只需要设置输入尺寸

第三步：实现姿势预测

// 测试图片

string image_path = @"E:\Git_space\基于Csharp和OpenVINO部署PP-TinyPose\image\demo_3.jpg";

Mat image = Cv2.ImRead(image_path);

Mat result_image = tiny_pose.predict(image);

在进行模型推理时，使用OpenCvSharp读取图像，然后带入预测，最终获取人体姿势结果，如下图所示。

图 4 人体姿态绘制效果图

1.6.3 推理速度测试

本项目在蝰蛇峡谷上完成测试，CPU为i7-12700H，自带锐炬®集成显卡；独立显卡为英特尔®锐炫® A770M独立显卡+16G显存，如下图所示。

图 5 蝰蛇峡谷

测试代码已开源：https://gitee.com/guojin-yan/Csharp_and_OpenVINO_deploy_PP-TinyPose.git

测试结果如下表所示

表 3 PP-PicoDet 与 PP-TinyPose 模型运行时间(ms)

推理设备

模型名称

PP-PicoDet 320×320

PP-TinyPose 256×192

FPS

模型格式

模型

读取

加载

数据

模型

推理

结果

处理

模型

读取

加载

数据

模型

推理

结果

处理

i7-12700H

IR-FP16

159.74

1.10

2.97

0.08

322.23

0.84

5.12

1.67

85

A770M

IR-FP16

5250.30

1.36

3.77

0.01

12575.64

1.01

8.95

1.57

60

注： 模型读取：读取本地模型，加载到设备，创建推理通道；

加载数据：将待推理数据进行处理并加载到模型输入节点；

模型推理：模型执行推理运算；

结果处理：在模型输出节点读取输出数据，并转化为我们所需要的结果数据。


1.7 总结与未来工作展望

本文完整介绍了在C#中基于OpenVINO部署PP-TinyPose模型的完整流程，并开源了完整的项目代码。

从表3的测试结果可以看到，面对级联的小模型，由于存在数据从CPU传到GPU，GPU处理完毕后，结果从GPU传回CPU的时间消耗，独立显卡相对CPU并不具备明显优势。

未来改进方向：

1. 借助OpenVINO预处理API，将预处理和后处理集成到GPU中去。

2. 借助OpenVINO异步推理API，提升GPU利用率

3. 仔细分析CPU和GPU之间的数据传输性能瓶颈，尝试锁页内存、异步传输等优化技术，“隐藏”CPU和GPU之间的数据传输时间消耗。

通知和免责声明：

英特尔技术可能需要支持的硬件、软件或服务激活。

没有任何产品或组件是绝对安全的。

您的费用和结果可能会有所不同。

 ©英特尔公司。英特尔、英特尔徽标和其他英特尔标志是英特尔公司或其子公司的商标。其他名称和品牌可能是其他方的财产。

版权声明：如需转载，请联系原作者并附上原文链接。
0个评论
提交