时隔一年，终于还是对 YOLOX 之 Openvino 出手啦

版权: 本文由【墨理学AI】原创首发、各位读者大大、敬请查阅、感谢三连
声明: 作为全网 AI 领域 干货最多的博主之一，❤️ 不负光阴不负卿 ❤️

前言：时隔一年，终于还是对 YOLOX 之 Openvino 出手啦

YOLOX 系列时隔一年，终于还是对 YOLOX 之 Openvino 出手啦，本博主核心内容

1. YOLOX pytorch、onnx、Openvino 环境搭建
2. pytorch2onnx 模型转换、推理
3. onnx2Openvino 模型转换、推理
4. YOLOX （pytorch）模型转onnx转Openvino之运行推理【YOLOX 实战五】【一文读懂】

YOLOX 环境搭建

git clone https://github.com/Megvii-BaseDetection/YOLOX.git

cd YOLOX

conda create -n torchYolo python=3.8.5

conda activate torchYolo 

pip3 install -r requirements.txt

python3 setup.py develop

YOLOX pytorch2onnx

有一定自学能力的同学，直接参考官方文档即可

• https://github.com/Megvii-BaseDetection/YOLOX/tree/main/demo/ONNXRuntime

pytorch2onnx 模型转换

onnx 相关库安装，主要就是下面这俩，缺什么补什么就可以了

pip install onnx  -i https://pypi.douban.com/simple/
pip install onnxruntime  -i https://pypi.douban.com/simple/

运行命令如下

## 进入 YOLOX 源码

## yolox_s.pth 需要手动下载，我放置在了上一层目录，你也可以直接放在当前目录

python3 tools/export_onnx.py --output-name yolox_s.onnx -f exps/default/yolox_s.py -c ../yolox_s.pth

## 运行输出如下，目录下可以看到 yolox_s.onnx，推理会用

2022-08-10 01:31:32.406 | INFO     | __main__:main:64 - args value: Namespace(batch_size=1, ckpt='../yolox_s.pth', decode_in_inference=False, dynamic=False, exp_file='exps/default/yolox_s.py', experiment_name=None, input='images', name=None, no_onnxsim=False, opset=11, opts=[], output='output', output_name='yolox_s.onnx')
2022-08-10 01:31:32.695 | INFO     | __main__:main:88 - loading checkpoint done.
2022-08-10 01:31:36.690 | INFO     | __main__:main:101 - generated onnx model named yolox_s.onnx
2022-08-10 01:31:37.982 | INFO     | __main__:main:117 - generated simplified onnx model named yolox_s.onnx

运行截图如下

onnx_inference 运行效果如下

官方真的写的很详细了

python3 onnx_inference.py -m yolox_s.onnx -i ../../assets/dog.jpg -o ./ -s 0.3 --input_shape 640,640

运行截图如下

dog.jpg ：看图久了，这只 dog 我最熟悉了，O(∩_∩)O哈哈~

YOLOX openvino

貌似安装这个库就可，依赖一堆，会自动安装

pip install openvino-dev -i https://pypi.douban.com/simple/

Convert model 命令解析

python3 mo.py --input_model <ONNX_MODEL> --input_shape <INPUT_SHAPE> [--data_type FP16]

# 对应命令如下   
python3 mo.py --input_model yolox_s.onnx --input_shape [1,3,640,640] -o ./yolox --data_type FP16

默认 --data_type FP32

运行命令

## 不设置 --data_type  则默认就是 --data_type FP32

python3 mo.py --input_model yolox_s.onnx --input_shape [1,3,640,640] -o ./yolox

运行输出如下

python3 mo.py --input_model yolox_s.onnx --input_shape [1,3,640,640] -o ./yolox

Model Optimizer arguments:
Common parameters:
	- Path to the Input Model: 	/home/u18/Desktop/project/openvino-master/tools/mo/openvino/tools/mo/yolox_s.onnx
	- Path for generated IR: 	/home/u18/Desktop/project/openvino-master/tools/mo/openvino/tools/mo/./yolox
	- IR output name: 	yolox_s
	- Log level: 	ERROR
	- Batch: 	Not specified, inherited from the model
	- Input layers: 	Not specified, inherited from the model
	- Output layers: 	Not specified, inherited from the model
	- Input shapes: 	[1,3,640,640]
	- Source layout: 	Not specified
	- Target layout: 	Not specified
	- Layout: 	Not specified
	- Mean values: 	Not specified
	- Scale values: 	Not specified
	- Scale factor: 	Not specified
	- Precision of IR: 	FP32  ## 可以看到 默认就是 --data_type FP32
	- Enable fusing: 	True
	- User transformations: 	Not specified
	- Reverse input channels: 	False
	- Enable IR generation for fixed input shape: 	False
	- Use the transformations config file: 	None
Advanced parameters:
	- Force the usage of legacy Frontend of Model Optimizer for model conversion into IR: 	False
	- Force the usage of new Frontend of Model Optimizer for model conversion into IR: 	False
OpenVINO runtime found in: 	/home/u18/anaconda3/envs/torch385/lib/python3.8/site-packages/openvino
OpenVINO runtime version: 	2022.1.0-7019-cdb9bec7210-releases/2022/1
Model Optimizer version: 	2022.1.0-7019-cdb9bec7210-releases/2022/1
[ SUCCESS ] Generated IR version 11 model.
[ SUCCESS ] XML file: /home/u18/Desktop/project/openvino-master/tools/mo/openvino/tools/mo/yolox/yolox_s.xml
[ SUCCESS ] BIN file: /home/u18/Desktop/project/openvino-master/tools/mo/openvino/tools/mo/yolox/yolox_s.bin
[ SUCCESS ] Total execution time: 0.62 seconds. 
[ SUCCESS ] Memory consumed: 141 MB. 

运行截图如下

模型大小 35M

ls
yolox_s.bin  yolox_s.mapping  yolox_s.xml
(torch385) u18@ubuntu:~/Desktop/project/openvino-master/tools/mo/openvino/tools/mo/yolox$ du -sh
35M	.

指定 --data_type FP16

python3 mo.py --input_model yolox_s.onnx --input_shape [1,3,640,640] -o ./yolox --data_type FP16

python3 mo.py --input_model yolox_s.onnx --input_shape [1,3,640,640] --data_type FP16 --output_dir converted_output

模型大小 18M

cd yolox/
(torch385) u18@ubuntu:~/Desktop/project/openvino-master/tools/mo/openvino/tools/mo/yolox$ du -sh
18M	.

顺利跑通 阶段一：onnx2openvino 转换

## 最终我这里顺利跑通 转换 和 推理，命令如下
pwd
/home/u18/Desktop/project/openvino-master/tools/mo/openvino/tools/mo

   # 执行命令如下
   python3 mo.py --input_model yolox_s.onnx --input_shape [1,3,640,640] --data_type FP16 --output_dir converted_output

顺利跑通 阶段二：openvino 推理

pwd
/home/u18/Desktop/project/yoloX/YOLOX-main/demo/OpenVINO/python
# 转换得到的 OpenVINO 模型 copy 到当前目录
cp /home/u18/Desktop/project/openvino-master/tools/mo/openvino/tools/mo/converted_output/ -r .

	# 执行命令如下
	python openvino_inference.py -m ./converted_output/yolox_s.xml -i ../../../assets/dog.jpg 
    or
    python openvino_inference.py -m ./converted_output/yolox_s.xml -i ../../../assets/dog.jpg -o './' -s 0.5 -d 'CPU'

openvino 推理运行截图

python openvino_inference.py 参数解析【冗余章节】

python openvino_inference.py -m <XML_MODEL_PATH> -i <IMAGE_PATH> 

python openvino_inference.py -m ./converted_output/yolox_s.xml -i ../../../assets/dog.jpg 

or 设置更多参数

python openvino_inference.py -m <XML_MODEL_PATH> -i <IMAGE_PATH> -o <OUTPUT_DIR> -s <SCORE_THR> -d <DEVICE>
## 参数解析如下，cat openvino_inference.py 即可看明白
  '-s',
   '--score_thr',
   type=float,
   default=0.3,
##
python openvino_inference.py -m ./converted_output/yolox_s.xml -i ../../../assets/dog.jpg -o './' -s 0.5 -d 'CPU'

onnx2openvino + openvino_inference.py 运行

openvino_inference.py yolox_s.onnx 推理成功

• openvino_inference.py 对于 onnx 模型 也能够推理

简单的代码分析

    # ---------------------------Step 6. Prepare input---------------------------------------------------------------------
    # image.shape
	# (3, 640, 640)
	# type(image)
	# 
    # ------------------------------------------------------------------------------------------------
    origin_img = cv2.imread(args.input)
    _, _, h, w = net.input_info[input_blob].input_data.shape
    image, ratio = preprocess(origin_img, (h, w))

    # ---------------------------Step 7. Do inference----------------------------------------------------------------------
    log.info('Starting inference in synchronous mode')
    res = exec_net.infer(inputs={input_blob: image})  # 

    # ---------------------------Step 8. Process output--------------------------------------------------------------------
    res = res[out_blob]  # 

值得注意的是：当前版本 openvino_inference.py 使用的 Inference Engine API 不是 OpenVINO Runtime API 2.0

---

YOLO 系列推荐博文参考顺序【只看一篇就够用】

---

YOLO 理论讲解学习篇

能够找到的质量 OK 的解读【我先收藏了】

---

YOLO系列英文论文分享 – 新建了一个 gitee 仓库，方便大家下载

• 从五个方面解读CVPR2016 目标检测论文YOLO
• YOLOv2 / YOLO9000 深入理解
• yolo系列之yolo v3【深度解析】
• YOLOv4原文翻译 - v4它终于来了！
• 一文读懂YOLO V5 与 YOLO V4

Yolov5 系列

• YOLOv5 环境搭建 | coco128 训练示例 |❤️ 详细记录❤️ |【YOLOv5】
• YOLOv5 COCO数据集 训练 | 【YOLOv5 训练】

YOLOX 系列

• YOLOX 环境搭建 | 测试 | COCO训练复现 【YOLOX 实战】
• YOLOX （pytorch）模型 ONNX export | 运行推理【YOLOX 实战二】
• YOLOX （pytorch）模型 转 ONNX 转 ncnn 之运行推理【YOLOX 实战三】
• YOLOX （pytorch）模型 转 tensorRT 之运行推理【YOLOX 实战四】

Yolov3 系列

• yolov3（darknet ）训练 - 测试 - 模型转换❤️darknet 转 ncnn 之C++运行推理❤️【yolov3 实战一览】
• YOLOv3 ncnn 模型 yolov3-spp.cpp ❤️【YOLOv3之Ncnn推理实现———附代码】

持续补充更新

❤️ 各位亲们，别忘了收藏、感谢三连 ❤️

---

❤️ 人生苦短， 欢迎和墨理一起学AI

---

上一秒的我信誓旦旦

梦醒，洗头

• 点赞 收藏 ⭐留言 都是博主坚持写作、更新高质量博文的最大动力！