在AI爱克斯开发板上用OpenVINO?加速YOLOv8分类模型-电子发烧友网

文章作者：

英特尔物联网行业创新大使杨雪锋

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。

请先下载本文的代码仓：

git clone https://gitee.com/ppov-nuc/yolov8_openvino.git

1YOLOv8 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。

2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

向右滑动查看完整代码

一行命令完成开发环境安装。

pip install -r requirements.txt

3导出 YOLOv8 OpenVINOIR 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。

4用 benchmark_app 测试 YOLOv8 分类模型的推理计算性能

benchmark_app 是 OpenVINO 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。

5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.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_dims(blob, 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()

向右滑动查看完整代码

运行结果如下图所示：

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')

向右滑动查看完整代码

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.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)

向右滑动查看完整代码

运行结果，如下所示：