文章作者：

英特爾物聯網行業創新大使 楊雪鋒

本系列文章將在AI 愛克斯開發板上使用 OpenVINO開發套件依次部署并測評 YOLOv8 的分類模型、目標檢測模型、實例分割模型和人體姿態估計模型。

接下來，本文將介紹在AI 愛克斯開發板上搭建 OpenVINO 推理程序的開發環境、導出并優化 YOLOv8 分類模型、完成 YOLOv8 分類模型的推理程序，最后給出實測性能。

請先下載本文的代碼倉：

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

1YOLOv8 簡介

YOLOv8 是 Ultralytics 公司基于 YOLO 框架，發布的一款面向物體檢測與跟蹤、實例分割、圖像分類和姿態估計任務的 SOTA 模型工具套件。

只需要幾行 Python 代碼，或者一行命令，即可完成在自己的數據集上從頭訓練 (Training a model from scratch) 或者微調(Fine-tune) YOLOv8 模型。

用 Python 代碼訓練 YOLOv8 模型

用命令行訓練 YOLOv8 模型

導出訓練好的 YOLOv8 模型，并用 OpenVINO 部署在英特爾硬件平臺上，也非常方便，下面依次介紹。

2準備 YOLOv8 的

OpenVINO 推理程序開發環境

請基于本文范例代碼倉提供的 requirements.txt 文件，通過一行命令完成開發環境安裝。

# 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

向右滑動查看完整代碼

一行命令完成開發環境安裝。

pip install -r requirements.txt

3導出 YOLOv8 OpenVINOIR 模型

YOLOv8 的分類模型有5種，在 ImageNet 數據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 模型導出，如下圖所示。

然后使用命令：

mo -m yolov8n-cls.onnx --compress_to_fp16，

優化并導出 FP16 精度的 OpenVINO IR 格式模型，如下圖所示。

4用 benchmark_app 測試 YOLOv8 分類模型的推理計算性能

benchmark_app 是 OpenVINO 工具套件自帶的 AI 模型推理計算性能測試工具，可以指定在不同的計算設備上，在同步或異步模式下，測試出不帶前后處理的純AI 模型推理計算性能。

使用命令：benchmark_app -m yolov8n-cls.xml -d GPU ，獲得 yolov8n-cls.xml 模型在 AI 愛克斯開發板的集成顯卡上的異步推理計算性能，如下圖所示。

5使用 OpenVINO Python API 編寫 YOLOv8 分類模型推理程序

基于 OpenVINO Python API 的 YOLOv8 分類模型范例程序 yolov8_cls_ov_sync_infer.py 的核心源代碼，如下所示：

# 實例化Core對象
core = Core() 
# 載入并編譯模型
net = core.compile_model(f'{MODEL_NAME}-cls.xml', device_name="GPU")
# 獲得模型輸入輸出節點
input_node = net.inputs[0]  # yolov8n-cls只有一個輸入節點
N, C, H, W = input_node.shape # 獲得輸入張量的形狀
output_node = net.outputs[0] # yolov8n-cls只有一個輸出節點
ir = net.create_infer_request()
##########################################
#  ---根據模型定義預處理和后處理函數-------
##########################################
# 定義預處理函數
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
# 定義后處理函數
def postprocess(outs):
  score = np.max(outs)
  id = np.argmax(outs)
  return score, id, imagenet_labels[id]
##########################################
#  ----- AI同步推理計算 ------------
##########################################
# 采集圖像
image = cv2.imread("bus.jpg")
# 數據預處理
blob = preprocess(image)
# 執行推理計算并獲得結果
outs = ir.infer(blob)[output_node]
# 對推理結果進行后處理
score, id, label = postprocess(outs)
# 顯示處理結果
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()

向右滑動查看完整代碼

運行結果如下圖所示：

6

使用 OpenVINO 預處理 API 提升推理計算性能

參考《將數據預處理嵌入 AI 模型的常見技巧》，使用 OpenVINO 預處理 API ，將數據預處理嵌入 YOLOv8 分類模型，可以進一步提高推理設備（例如，英特爾集成顯卡/獨立顯卡）的利用率，進而提高包含前后處理的端到端的AI 推理計算性能。

使用 OpenVINO預處理 API 將預處理嵌入模型的范例程序 export_yolov8_cls_ppp.py 的核心代碼，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')

向右滑動查看完整代碼

運行結果，如下圖所示：

基于內嵌預處理模型的推理程序

yolov8_cls_ppp_sync_infer.py 的核心代碼，如下所示

##########################################
#  ----- AI同步推理計算 ------------
##########################################
# 采集圖像
image = cv2.imread("bus.jpg")
blob = np.expand_dims(image,0)
# 執行推理計算并獲得結果
outs = ir.infer(blob)[output_node]
# 對推理結果進行后處理
score, id, label = postprocess(outs)
##########################################
#  ----- 統計帶前后預處理的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)

向右滑動查看完整代碼

運行結果，如下所示：

結論

AI 愛克斯開發板借助N5105處理器的集成顯卡(24個執行單元)和 OpenVINO ，可以在 YOLOv8 的分類模型上獲得相當不錯的性能。

通過異步處理和AsyncInferQueue ，還能進一步提升計算設備的利用率，提高 AI 推理程序的吞吐量。下一篇將繼續介紹在《在 AI 愛克斯開發板上用 OpenVINO 加速 YOLOv8 目標檢測模型》。