【计算机视觉】Openvino给yolov5目标检测提速实战

1.摘要

目标检测是计算机视觉主要应用方向之一。目标检测通常包括两方面的工作，首先是找到目标，然后就是识别目标。常用的目标检测方法分为两大流派：一步走（one_stage）算法：直接对输入的图像应用算法并输出类别和相应的定位，典型的算法有yolo，ssd；两步走（two_stage)算法：先产生候选区域，然后在进行CNN分类，代表的算法有R-CNN。其中一步走目标检测算法检测速度快，实时性好，在模型的快速部署上有着很强的优势，被广泛应用在各行各业中。本文也将选择yolov5算法对目标物体进行目标预测。训练好模型要部署在不同的边缘端，才会产生价值，本文将采用Openvino（Open Visual Inferencing and Neural Network Optimization/ 开放视觉推理和神经网络优化）来部署目标检测模型，Openvino是一个用于解决在intel硬件平台上进行深度学习部署的方案，支持windows、linux和macOS，有效地避免了不同软硬件平台兼容性的问题。

2.yolov5如何实现目标检测？

如何采用yolov5训练自己的数据，我已经在之前的博客里详细讲了训练过程，参照博客：【计算机视觉】目标检测—yolov5自定义模型的训练以及加载-https://blog.csdn.net/qq_43018832/article/details/128054360?spm=1001.2014.3001.5502。本文为了方便起见，不再进行训练自己的数据，将yolov5官方的预训练模型进行Openvino加速，查看加速效果。首先，去yolov5官网（https://github.com/ultralytics/yolov5）进行下载官方文件，也可以通过克隆地址（git clone https://github.com/ultralytics/yolov5.git）进行获取，并且下载预训练权重文件，放到yolov5文件下。结果如图：

运行下面的代码detection_show.py，在运行之前，首先安装yolov5文件下的requirements里面的依赖包，命令：pip install -r requirements.txt，运行后可以看到yolov5的官方预训练模型的检测结果，我使用的是笔记本，帧率只有2,3，如下图所示：

import cv2
import numpy as np
import torch
import time

# local repo
model = torch.hub.load('./yolov5', 'custom', 'weights/yolov5n.pt',source='local')
model.conf = 0.4

cap = cv2.VideoCapture(0)

fps_time = time.time()

while True:

    ret,frame = cap.read()

    # frame = cv2.flip(frame,1)

    img_cvt = cv2.cvtColor(frame,cv2.COLOR_BGR2RGB)

    # Inference
    results = model(img_cvt)
    result_np = results.pandas().xyxy[0].to_numpy()
    for box in result_np:
        l,t,r,b = box[:4].astype('int')       
        cv2.rectangle(frame,(l,t),(r,b),(0,255,0),5)
        cv2.putText(frame,str(box[-1]),(l,t-20),cv2.FONT_ITALIC,1,(0,255,0),2)
    now = time.time()
    fps_text = 1/(now - fps_time)
    fps_time =  now
    
    cv2.putText(frame,str(round(fps_text,2)),(50,50),cv2.FONT_ITALIC,1,(0,255,0),2)
    cv2.imshow('demo',frame)
    if cv2.waitKey(10) & 0xFF == ord('q'):
        break

cap.release()
cv2.destroyAllWindows()

3.Openvino如何加速模型？

3.1.原理简介

要使用它，你需要一个预先训练好的深度学习模型，支持的格式有:TensorFlow、PyTorch、PaddlePaddle、MXNet、Caffe、Kaldi或ONNX，本文选用的是yolov5官方预训练模型yolov5n.pt，读者可以训练自己的预训练模型。模型优化器将模型转换为OpenVINO中间表示格式(IR)，稍后您可以使用OpenVINO™运行时进行推断。注意，模型优化器不推断模型。下图说明了部署经过训练的深度学习模型的典型工作流。

模型优化器通过以下机制来优化模型：
　　1. 对模型进行修剪：移除部分在训练时候需要的，而推理时候不需要的网络；DropOut 就是这种网络层的一个例子；
　　2. 融合操作：有些时候多步操作可以融合成一步，模型优化器检测到这种就会进行必要的融合；
优化过程结束后会生成一个 IR model / 中间表示模型，模型可以被分成两部分：
　　1. model.xml: XML 文件包含网络架构；
　　2. model.bin: bin 包含 Weights / 权重 和 Biases / 误差的二进制数据。

3.2.环境配置

首先，我们在安装openvino之前，使用conda创建自己的虚拟环境，安装pytorch CPU版本，命令：pip install torch torchvision torchaudio。接下来，将pytorch预训练模型转化为ONNX，安装依赖的环境ONNX，命令：pip install onnx==1.11.0，最后将转换为的onnx文件转换为openvino需要的.bin和.xml文件，安装依赖包：pip install openvino-dev[onnx]，pip install openvino。

3.3.预训练模型.pt转ONNX文件

接下来，开始吧！将预训练模型yolov5n.pt转换为ONNX文件，可以直接使用yolov5中的文件export.py文件，此文件的作用是将yolov5 pytorch模型转换为各种格式（onnx,tensorrt,coreml,tensorflow等等）的文件。
执行命令为：

python export.py --weights yolov5n.pt --include onnx --img 640 --device 0

也可以通过执行下面代码转换为onnx格式。

if not onnx_path.exists():
    dummy_input = torch.randn(1, 3, IMAGE_HEIGHT, IMAGE_WIDTH)

    # For the Fastseg model, setting do_constant_folding to False is required
    # for PyTorch>1.5.1
    torch.onnx.export(
        model,
        dummy_input,
        onnx_path,
        opset_version=11,
        do_constant_folding=False,
    )
    print(f"ONNX model exported to {onnx_path}.")
else:
    print(f"ONNX model {onnx_path} already exists.")

转换后的结果如下。

3.4.ONNX文件转IR文件

使用模型优化器将ONNX模型转换为具有FP16精度的OpenVINO IR。模型被保存到当前目录。向模型中添加平均值，并使用——scale_values按标准偏差缩放输出。有了这些选项，在通过网络传播输入数据之前就没有必要对其进行规范化。有关模型优化器的更多信息，请参阅模型优化器开发人员指南https://docs.openvino.ai/latest/openvino_docs_MO_DG_Deep_Learning_Model_Optimizer_DevGuide.html。转换为IR文件的命令格式如下：

# Construct the command for Model Optimizer.
mo_command = f"""mo
                 --input_model "{onnx_path}"
                 --input_shape "[1,3, {IMAGE_HEIGHT}, {IMAGE_WIDTH}]"
                 --mean_values="[123.675, 116.28 , 103.53]"
                 --scale_values="[58.395, 57.12 , 57.375]"
                 --data_type FP16
                 --output_dir "{model_path.parent}"
                 """
mo_command = " ".join(mo_command.split())
print("Model Optimizer command to convert the ONNX model to OpenVINO:")
display(Markdown(f"`{mo_command}`"))

if not ir_path.exists():
    print("Exporting ONNX model to IR... This may take a few minutes.")
    mo_result = %sx $mo_command
    print("\n".join(mo_result))
else:
    print(f"IR model {ir_path} already exists.")

命令行为：

mo --input_model yolov5n.onnx --model_name openvino_yolov5n_part1 -s 255 --reverse_input_channels --output Conv294,conv245

出现这种情况，代表模型转换成功。

4.查看加速结果

最后使用推理引擎查看推理结果。

# Load the network in OpenVINO Runtime.
ie = Core()
model_ir = ie.read_model(model=ir_path)
compiled_model_ir = ie.compile_model(model=model_ir, device_name="CPU")

# Get input and output layers.
output_layer_ir = compiled_model_ir.output(0)

# Run inference on the input image.
res_ir = compiled_model_ir([input_image])[output_layer_ir]

result_mask_ir = np.squeeze(np.argmax(res_ir, axis=1)).astype(np.uint8)
viz_result_image(
    image,
    segmentation_map_to_image(result=result_mask_ir, colormap=CityScapesSegmentation.get_colormap()),
    resize=True,
)

为了直观的看出加速结果，在不影响检测效果的前提下，丢弃部分小目标检测，查看加速结果提升至9.8帧。

本篇简单记录了作者在学习openvino加速模型的过程，希望对大家有所帮助。