位置: IT常识 - 正文
基于OpenVINO在C++中部署YOLOv5-Seg实例分割模型(openvino使用)
编辑：rootadmin推荐整理分享基于OpenVINO在C++中部署YOLOv5-Seg实例分割模型(openvino使用)，希望有所帮助，仅作参考，欢迎阅读内容。
文章相关热门搜索词:openvino opencl,openvino使用,openvino使用,基于c++的opencv,openvino opencl,openvino开发语言,openvino教程,openvino开发语言,内容如对您有帮助，希望把文章链接给更多的朋友！
作者：英特尔物联网行业创新大使 王一凡
目录
1.1 配置OpenVINO C++开发环境
1.2 下载并转换YoLOv5预训练模型
1.3 使用OpenVINO Runtime C++API编写推理程序
1.3.1 采集图像&图像解码
1.3.2 YoLOv5-Seg模型的图像预处理
1.3.3 执行AI推理计算
1.3.4 推理结果进行后处理
1.4 总结
YOLOv5兼具速度和精度，工程化做的特别好，Git clone到本地即可在自己的数据集上实现目标检测任务的训练和推理，在产业界中应用广泛。开源社区对YOLOv5支持实例分割的呼声高涨，YOLOv5在v7.0中正式官宣支持实例分割。
在前期文章中，已发布基于OpenVINO的YOLOv5模型的Python版本和C++版本推理程序，以及YOLOv5-Seg模型的Python版推理程序，本文主要介绍在C++中使用OpenVINO工具包部署YOLOv5-Seg模型，主要步骤有：
配置OpenVINO C++开发环境下载并转换YOLOv5-Seg预训练模型使用OpenVINO Runtime C++ API编写推理程序下面，本文将依次详述
1.1 配置OpenVINO C++开发环境配置OpenVINO C++开发环境的详细步骤，请参考《在Windows中基于Visual Studio配置OpenVINO C++开发环境》。
1.2 下载并转换YoLOv5预训练模型下载并转换YOLOv5-seg预训练模型的详细步骤，请参考：《在英特尔独立显卡上部署YOLOv5 v7.0版实时实例分割模型》，本文所使用的OpenVINO是2022.3 LTS版。
首先，运行命令获得 yolov5s-seg ONNX 格式模型：yolov5s-seg.onnx：
python export.py --weights yolov5s-seg.pt --include onnx然后运行命令获得yolov5s-seg IR格式模型：yolov5s-seg.xml和yolov5s-seg.bin，如下图所示
mo -m yolov5s-seg.onnx --compress_to_fp16图 1-1 yolov5-seg ONNX格式和IR格式模型
1.3 使用OpenVINO Runtime C++API编写推理程序一个端到端的AI推理程序，主要包含五个典型的处理流程：
采集图像&图像解码图像数据预处理AI推理计算对推理结果进行后处理将处理后的结果集成到业务流程图 1-2 端到端的AI推理程序处理流程
1.3.1 采集图像&图像解码OpenCV提供imread()函数将图像文件载入内存，
Mat cv::imread (const String &filename, int flags=IMREAD_COLOR)若是从视频流(例如，视频文件、网络摄像头、3D摄像头(Realsense)等)中，一帧一帧读取图像数据到内存，则使用cv::VideoCapture类，对应范例代码请参考OpenCV官方范例代码：opencv/samples/cpp at 4.x · opencv/opencv · GitHub。
图 1-3 从视频流读取图像帧范例
1.3.2 YoLOv5-Seg模型的图像预处理YOLOv5-Seg模型构架是在YOLOv5模型构架基础上，增加了一个叫“Proto”的小型卷积神经网络，用于输出检测对象掩码(Mask)，如下图所示：
图 1-4 YOLOv5-Seg模型输出的代码定义
详细参看：https://github.com/ultralytics/yolov5/blob/master/models/yolo.py#L92
由此可知，YOLOv5-Seg模型对数据预处理的要求跟YOLOv5模型一模一样，YOLOv5-Seg模型的预处理代码可以复用YOLOv5模型的C++预处理代码。
另外，从代码可以看出YOLOv5-Seg模型的输出有两个张量，一个张量输出检测结果，一个张量输出proto，其形状可以用Netron打开yolov5-seg.onnx查知，如下图所示。
图 1-5 YOLOv5-Seg模型的输入和输出
“output0”是检测输出，第一个维度表示batch size，第二个维度表示25200条输出，第三个维度表示有117个字段，其中前85个字段(0~84)表示：cx、cy、w、h、confidence和80个类别分数，后32个字段与”output1”做矩阵乘法，可以获得尺寸为160x160的检测目标的掩码(mask)，如下图所示。
图 1-6 检测目标的掩码
1.3.3 执行AI推理计算基于OpenVINO Runtime C++ API实现AI推理计算主要有两种方式：一种是同步推理方式，一种是异步推理方式，本文主要介绍同步推理方式。
主要步骤有：
初始化Core类：ov::Core core;编译模型：core.compile_model()创建推理请求infer_request：compiled_model.create_infer_request()读取图像数据并做预处理：letterbox()将预处理后的blob数据传入模型输入节点：infer_request.set_input_tensor()调用infer()方法执行推理计算：infer_request.infer()获得推理结果：infer_request.get_output_tensor()基于OpenVINO Runtime C++API的同步推理代码如下所示：
// -------- Step 1. Initialize OpenVINO Runtime Core -------- ov::Core core; // -------- Step 2. Compile the Model -------- auto compiled_model = core.compile_model(model_file, "GPU.1"); //GPU.1 is dGPU A770 // -------- Step 3. Create an Inference Request -------- ov::InferRequest infer_request = compiled_model.create_infer_request(); // -------- Step 4. Read a picture file and do the preprocess -------- cv::Mat img = cv::imread(image_file); //Load a picture into memory std::vector<float> paddings(3); //scale, half_h, half_w cv::Mat resized_img = letterbox(img, paddings); //resize to (640,640) by letterbox // BGR->RGB, u8(0-255)->f32(0.0-1.0), HWC->NCHW cv::Mat blob = cv::dnn::blobFromImage(resized_img, 1 / 255.0, cv::Size(640, 640), cv::Scalar(0, 0, 0), true); // -------- Step 5. Feed the blob into the input node of YOLOv5 ------- // Get input port for model with one input auto input_port = compiled_model.input(); // Create tensor from external memory ov::Tensor input_tensor(input_port.get_element_type(), input_port.get_shape(), blob.ptr(0)); // Set input tensor for model with one input infer_request.set_input_tensor(input_tensor); // -------- Step 6. Start inference -------- infer_request.infer(); // -------- Step 7. Get the inference result -------- auto detect = infer_request.get_output_tensor(0); auto detect_shape = detect.get_shape(); std::cout << "The shape of Detection tensor:"<< detect_shape << std::endl; auto proto = infer_request.get_output_tensor(1); auto proto_shape = proto.get_shape();std::cout << "The shape of Proto tensor:" << proto_shape << std::endl;1.3.4 推理结果进行后处理后处理工作主要是从”detect ”输出张量中拆解出检测框的位置和类别信息，并用cv::dnn::NMSBoxes()过滤掉多于的检测框；从”detect ”输出张量的后32个字段与”proto”输出张量做矩阵乘法，获得每个检测目标的形状为160x160的掩码输出，最后将160x160的掩码映射回原始图像完成所有后处理工作。
完整的代码实现，请下载：https://gitee.com/ppov-nuc/yolov5_infer/blob/main/yolov5seg_openvino_dGPU.cpp
1.4 总结配置OpenVINO C++开发环境后，可以直接编译运行yolov5seg_openvino_dGPU.cpp，结果如下图所示。使用OpenVINO Runtime C++ API函数开发YOLOv5推理程序，简单方便，并可以任意部署在英特尔CPU、集成显卡和独立显卡上。
图 1-7 运行结果
上一篇：Vue--》探索Pinia：Vue状态管理的未来(vue .find)
下一篇：基于web的网上图书商城的设计与实现/图书购物系统(基于web的网站设计与实现)
