基于OpenVINO 在C++中部署YOLOv5模型

作者： 王一凡 英特尔物联网行业创新大使

本文主要介绍在C++中使用OpenVINO工具包部署YOLOv5模型，主要步骤有：

1. 配置OpenVINO C++开发环境
2. 下载并转换YOLOv5预训练模型
3. 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预训练模型的详细步骤，请参考：《基于OpenVINO™2022.2和蝰蛇峡谷优化并部署YOLOv5模型》，本文所使用的OpenVINO是2022.3 LTS版。

        完成上述步骤后，可以获得YOLOv5的IR模型文件：yolov5s.xml 和 yolov5s.bin，如下图所示：

 图1-1 YOLOv5 IR模型文件

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：

1. 采集图像&图像解码
2. 图像数据预处理
3. AI推理计算
4. 对推理结果进行后处理
5. 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的图像预处理

        图像数据输入YOLOv5模型前需要做预处理，其主要工作有：使用Letterbox算法对图像进行非变形放缩，然后完成转换颜色通道、归一化数据、更改数据布局和数值精度。

        直接调用OpenCV的cv::resize()函数将原始图像按照模型输入要求的尺寸进行放缩，虽然实现起来简单，但会导致图像中的被检测对象变形。Letterbox算法一种不会导致被检测对象变形的缩放，主要步骤为：

1. 计算宽高缩放比例，选择较小那个缩放系数
2. 计算缩放后的尺寸，原始图片的长宽都乘以较小的缩放系数
3. 计算短边需要填充的灰边数，将短边的两边各自填充一半的灰行

参考YOLOv5的Letterbox算法实现方式，本文的Letterbox函数实现如下所示：

cv::Mat letterbox(cv::Mat& img, std::vector<int> new_shape = {640, 640}){

    // Get current image shape [height, width]

    // Refer to https://github.com/ultralytics/yolov5/blob/master/utils/augmentations.py#L111

    int img_h = img.rows;

    int img_w = img.cols;

    // Compute scale ratio(new / old) and target resized shape

    float scale = std::min(new_shape[1] * 1.0 / img_h, new_shape[0] * 1.0 / img_w);

    int resize_h = int(round(img_h * scale));

    int resize_w = int(round(img_w * scale));

    // Compute padding

    int pad_h = new_shape[1] - resize_h;

    int pad_w = new_shape[0] - resize_w;

    // Resize and pad image while meeting stride-multiple constraints

    cv::Mat resized_img;

    cv::resize(img, resized_img, cv::Size(resize_w, resize_h));

    // divide padding into 2 sides

    float half_h = pad_h * 1.0 / 2;

    float half_w = pad_w * 1.0 / 2;

    // Compute padding boarder

    int top = int(round(half_h - 0.1));

    int bottom = int(round(half_h + 0.1));

    int left = int(round(half_w - 0.1));

    int right = int(round(half_w + 0.1));

    // Add border

    cv::copyMakeBorder(resized_img, resized_img, top, bottom, left, right, 0, cv::Scalar(114, 114, 114));

    return resized_img;

}

letterbox函数的运行结果如下图所示：

图 1-4 letterbox放缩图片的效果

转换颜色通道、归一化数据、更改数据布局和数值精度的操作可以由OpenCV提供的 Mat cv::dnn::blobFromImage()函数实现，或者由OpenVINO的预处理API实现。为了简洁范例代码，本文选择调用cv::dnn::blobFromImage()函数。

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：

1. 初始化Core类
2. 编译模型
3. 创建推理请求infer_request
4. 读取图像数据并做预处理
5. 将预处理后的blob数据传入模型输入节点
6. 调用infer()方法执行推理计算
7. 获得推理结果

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, "CPU"); //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 output = infer_request.get_output_tensor(0);
    auto output_shape = output.get_shape();
    std::cout << "The shape of output tensor:"<<output_shape << std::endl;

1.3.4 推理结果进行后处理

        对于目标检测应用，后处理主要是执行NMS(非极大值抑制)算法去除多余的检测框，然后剩余的检测框中提取出检测框坐标(box)、置信度(confidence)和类别(class_id)。NMS算法本文直接使用了cv::dnn::NMSBoxes()。

      经过后处理，获得了经过NMS过滤后的检测框坐标(box)、置信度(confidence)和类别(class_id)后，就可以将这些信息显示在图像上了。

        完整的代码实现，请下载：yolov5_openvino_sync_dGPU.cpp

1.4 总结

        配置OpenVINO C++开发环境后，可以直接编译运行yolov5_openvino_sync_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 1-5 运行结果

最后

以上就是落后哈密瓜为你收集整理的基于OpenVINO 在C++中部署YOLOv5模型的全部内容，希望文章能够帮你解决基于OpenVINO 在C++中部署YOLOv5模型所遇到的程序开发问题。

如果觉得靠谱客网站的内容还不错，欢迎将靠谱客网站推荐给程序员好友。