在AI爱克斯开发板上用OpenVINO加速YOLOv8分类模型
小o
更新于 11月前
作者：英特尔物联网行业创新大使 杨雪锋
1.1 简介
本系列文章将在AI爱克斯开发板上使用OpenVINO™ 开发套件依次部署并测评YOLOv8的分类模型、目标检测模型、实例分割模型和人体姿态估计模型。
接下来，本文将介绍在AI爱克斯开发板上搭建OpenVINO推理程序的开发环境、导出并优化YOLOv8分类模型、完成YOLOv8分类模型的推理程序，最后给出实测性能。
1.2 YOLOv8简介
YOLOv8是Ultralytics公司基于YOLO框架，发布的一款面向物体检测与跟踪、实例分割、图像分类和姿态估计任务的SOTA模型工具套件。
只需要几行Python代码，或者一行命令，即可完成在自己的数据集上从头训练(Training a model from scratch)或者微调(Fine-tune)YOLOv8模型。
用Python代码训练YOLOv8模型
用命令行训练YOLOv8模型
导出训练好的YOLOv8模型，并用OpenVINO部署在英特尔硬件平台上，也非常方便，下面依次介绍。请先下载本文的范例代码仓：
git clone https://gitee.com/ppov-nuc/yolov8_cls_ov.git
1.3 准备YOLOv8的OpenVINO推理程序开发环境
请基于本文范例代码仓提供的requirements.txt文件，通过一行命令完成开发环境安装。
# Usage: pip install -r requirements.txt
ultralytics
# Base ----------------------------------------
matplotlib>=3.2.2
numpy>=1.21.6
opencv-python>=4.6.0
Pillow>=7.1.2
PyYAML>=5.3.1
requests>=2.23.0
scipy>=1.4.1
torch==1.13.1
torchvision==0.14.1
tqdm>=4.64.0
# Plotting ------------------------------------
pandas>=1.1.4
seaborn>=0.11.0
# Export --------------------------------------
onnx>=1.12.0 # ONNX export
onnxruntime
openvino-dev==2023.0.0.dev20230407 # modify the openvino-dev version to the latest one
# Extras --------------------------------------
psutil # system utilization
thop>=0.1.1 # FLOPs computation
一行命令完成开发环境安装。
pip install -r requirements.txt
1.4 导出YOLOv8 OpenVINO IR模型
YOLOv8的分类模型有5种，在ImageNet数据集上的精度如下表所示。
首先使用命令：yolo classify export model=yolov8n-cls.pt format=onnx imgsz=224，完成yolov8n-cls.onnx模型导出，如下图所示。
然后使用命令：mo -m yolov8n-cls.onnx --compress_to_fp16，优化并导出FP16精度的OpenVINO IR格式模型，如下图所示。
1.5 用benchmark_app测试yolov8分类模型的推理计算性能
benchmark_app是OpenVINOTM工具套件自带的AI模型推理计算性能测试工具，可以指定在不同的计算设备上，在同步或异步模式下，测试出不带前后处理的纯AI模型推理计算性能。
使用命令：benchmark_app -m yolov8n-cls.xml -d GPU，获得yolov8n-cls.xml模型在AI爱克斯开发板的集成显卡上的异步推理计算性能，如下图所示。
1.6 使用OpenVINO Python API编写YOLOv8分类模型推理程序
基于OpenVINO Python API的YOLOv8分类模型范例程序yolov8_cls_ov_sync_infer_demo.py的核心源代码，如下所示：
# 实例化Core对象
core = Core()
# 载入并编译模型
net = core.compile_model(f'{MODEL_NAME}-cls.xml', device_name="GPU")
# 获得模型输入输出节点
input_node = net.inputs[0] # yolov8n-cls只有一个输入节点
N, C, H, W = input_node.shape # 获得输入张量的形状
output_node = net.outputs[0] # yolov8n-cls只有一个输出节点
ir = net.create_infer_request()
##########################################
# ---根据模型定义预处理和后处理函数-------
##########################################
# 定义预处理函数
def preprocess(image, new_shape=(W,H)):
# Preprocess image data from OpenCV
image = cv2.cvtColor(image, cv2.COLOR_BGR2RGB) # BGR->RGB
resized = cv2.resize(image, new_shape) # Resize Image
norm = (resized - IMAGENET_MEAN) / IMAGENET_STD # Normalization
blob = np.transpose(norm, (2, 0, 1)) # HWC->CHW
blob = np.expand_dim***lob, 0) # CHW->NCHW
return blob
# 定义后处理函数
def postprocess(outs):
score = np.max(outs)
id = np.argmax(outs)
return score, id, imagenet_labels[id]
##########################################
# ----- AI同步推理计算 ------------
##########################################
# 采集图像
image = cv2.imread("bus.jpg")
# 数据预处理
blob = preprocess(image)
# 执行推理计算并获得结果
outs = ir.infer(blob)[output_node]
# 对推理结果进行后处理
score, id, label = postprocess(outs)
# 显示处理结果
msg = f"YOLOv5s-cls Result:{label}, Score:{score:4.2f}, FPS:{FPS:4.2f}"
cv2.putText(image, msg, (10, 50), cv2.FONT_HERSHEY_SIMPLEX, 0.8, (100, 100, 200), 2)
cv2.imshow("YOLOv5s-cls OpenVINO Sync Infer Demo",image)
cv2.waitKey()
cv2.destroyAllWindows()
运行结果如下图所示：
1.7 使用OpenVINO 预处理 API提升推理计算性能
参考《将数据预处理嵌入AI模型的常见技巧》，使用OpenVINO™预处理 API，将数据预处理嵌入YOLOv8分类模型，可以进一步提高推理设备（例如，英特尔® 集成显卡/独立显卡）的利用率，进而提高包含前后处理的端到端的AI推理计算性能。
使用 OpenVINO™ 预处理 API 将预处理嵌入模型的范例程序export_yolov8_cls_ppp.py的核心代码，如下所示：
# ======== Step 0: read original model =========
core = Core()
model = core.read_model(f"{MODEL_NAME}-cls.xml")
# Step 1: Add Preprocessing steps to a model ==
ppp = PrePostProcessor(model)
# Declare User’s Data Format
ppp.input().tensor() \
.set_element_type(Type.u8) \
.set_spatial_dynamic_shape() \
.set_layout(Layout('NHWC')) \
.set_color_format(ColorFormat.BGR)
# Declaring Model Layout
ppp.input().model().set_layout(Layout('NCHW'))
# Explicit preprocessing steps. Layout conversion will be done automatically as last step
ppp.input().preprocess() \
.convert_element_type() \
.convert_color(ColorFormat.RGB) \
.resize(ResizeAlgorithm.RESIZE_LINEAR) \
.mean([123.675, 116.28, 103.53]) \
.scale([58.624, 57.12, 57.375])
# Integrate preprocessing Steps into a Model
print(f'Dump preprocessor: {ppp}')
model_with_ppp = ppp.build()
# ======== Step 2: Save the model with preprocessor================
serialize(model_with_ppp, f'{MODEL_NAME}-cls_ppp.xml', f'{MODEL_NAME}-cls_ppp.bin')
运行结果，如下图所示：
基于内嵌预处理模型的推理程序yolov8_cls_ppp_sync_infer_demo.py的核心代码，如下所示
##########################################
# ----- AI同步推理计算 ------------
##########################################
# 采集图像
image = cv2.imread("bus.jpg")
blob = np.expand_dims(image,0)
# 执行推理计算并获得结果
outs = ir.infer(blob)[output_node]
# 对推理结果进行后处理
score, id, label = postprocess(outs)
##########################################
# ----- 统计带前后预处理的AI推理性能------
##########################################
start = time.time()
N = 1000
for i in range(N):
blob = np.expand_dims(image,0)
outs = ir.infer(blob)[output_node]
score, id, label = postprocess(outs)
FPS = N / (time.time() - start)
运行结果，如下所示：
1.8 结论:
AI爱克斯开发板借助N5105处理器的集成显卡(24个执行单元)和OpenVINO，可以在YOLOv8的分类模型上获得相当不错的性能。通过异步处理和AsyncInferQueue，还能进一步提升计算设备的利用率，提高AI推理程序的吞吐量。下一篇将继续介绍在《在AI爱克斯开发板上用OpenVINO加速YOLOv8目标检测模型》。