文章目录

引言
模型训练
- 1.首先获取yolov5工程
- 2.训练准备
- - 描述信息准备
  - 数据准备
- 3. 执行训练
- 1.pt格式转onnx格式
- 2.onnx格式转换OpenVINO的xml和bin格式
使用OpenVINO进行推理部署
- 1.推理引擎的初始化
- 2.数据准备
- 3.推断执行与解析
- 4.性能测试
推理加速
git项目使用

引言

本文介绍了一种使用c++实现的,使用OpenVINO部署yolov5的方法。此方法在2020年9月结束的极市开发者榜单中取得后厨老鼠识别赛题第四名。2020年12月,注意到yolov5有了许多变化,对部署流程重新进行了测试,并进行了整理。希望能给需要的朋友一些参考,节省一些踩坑的时间。

模型训练

1.首先获取yolov5工程

git clone https://github.com/ultralytics/yolov5.git

本文编辑的时间是2020年12月3日,官方最新的releases是v3.1,在v3.0的版本中,官网有如下的声明

August 13, 2020**: v3.0 release( https://github.com/ultralytics/yolov5/releases/tag/v3.0): nn.Hardswish() activations, data autodownload, native AMP.

yolov5训练获得的原始的模型以.pt文件方式存储,要转换为OpenVINO的.xml和.bin的模型存储方式,需要经历两次转换.

两次转换所用到的工具无法同时支持nn.Hardswish()函数的转换,v3.0版本时需要切换到v2.0版本替换掉nn.Hardswish()函数才能够完成两次模型转换,当时要完成模型转换非常的麻烦.

在v3.1版本的yolov5中用于进行pt模型转onnx模型的程序对nn.Hardswish()进行了兼容,模型转换过程大为化简.

2.训练准备

yolov5官方的指南: https://github.com/ultralytics/yolov5/wiki/Train-Custom-Data

描述信息准备

在yolov5的文件夹下/yolov5/models/目录下可以找到以下文件

yolov5s.yaml
yolov5m.yaml
yolov5l.yaml

这三个文件分别对应s(小尺寸模型),ｍ(中尺寸模型)和l(大尺寸模型)的结构描述信息

其中为了实现自己的训练常常需要更改以下两个参数

需要识别的类别数量,yolov5原始的默认类别数量为80

anchors

通过kmeans等算法根据自己的数据集得出合适的锚框．这里需要注意:yolov5内部实现了锚框的自动计算训练过程默认使用自适应锚框计算.

经过实际测试，自己通过kmeans算法得到的锚框在特定数据集上能取得更好的性能

在3.执行训练中将提到禁止自动锚框计算的方法.

数据准备

参考官方指南的

Create Labels
Organize Directories
部分的数据要求

注意标注格式是class x_center y_center width height,其中x_center y_center width height均是根据图像尺寸归一化的0到1之间的数值.

3. 执行训练

python ~/src_repo/yolov5/train.py --batch 16 --epochs 10 --data ~/src_repo/rat.yaml --cfg ~/src_repo/yolov5/models/yolov5s.yaml --weights ""

其中

–data　参数后面需要填充的是训练数据的说明文件．其中需要说明训练集，测试集，种类数目和种类名称等信息，具体格式可以参考yolov5/data/coco.yaml.
–cfg　为在训练准备阶段完成的模型结构描述文件.
–weights　后面跟预训练模型的路径,如果是""则重新训练一个模型.推荐使用预训练模型继续训练,不使用该参数则默认使用预训练模型.
–noautoanchor　该参数可选，使用该参数则禁止自适应anchor计算，使用–cfg文件中提供的原始锚框.
模型转换
经过训练,模型的原始存储格式为.pt格式，为了实现OpenVINO部署，需要首先转换为.onnx的存储格式，之后再转化为OpenVINO需要的.xml和.bin的存储格式.

1.pt格式转onnx格式

这一步的转换主要由yolov5/models/export.py脚本实现.

可以参考yolov5提供的简单教程:https://github.com/ultralytics/yolov5/issues/251

使用该教程中的方法可以获取onnx模型,但直接按照官方方式获取的onnx模型其中存在OpenVINO模型转换中不支持的运算,因此,使用该脚本之前需要进行一些更改:

opset_version
在/yolov5/models/export.py中

orch.onnx.export(model, img, f, verbose=False, opset_version=12, input_names=['images'],output_names=['classes', 'boxes'] if y is None else ['output'])

opset_version=12,将导致后面的OpenVINO模型装换时遇到未支持的运算因此设置为opset_version=10.

Detect layer export

model.model[-1].export = True

设置为True则Detect层(包含nms,锚框计算等)不会输出到模型中.

设置为False包含Detect层的模型无法通过onnx到OpenVINO格式模型的转换.

需要执行如下指令:

python ./models/export.py --weight .pt文件路径 --img 640 --batch 1

需要注意的是在填入的.pt文件路径不存在时,该程序会自动下载官方预训练的模型作为转换的原始模型,转换完成则获得onnx格式的模型.

转换完成后可以使用Netron:https://github.com/lutzroeder/netron.git 进行可视化.对于陌生的模型,该可视化工具对模型结构的认识有很大的帮助.

2.onnx格式转换OpenVINO的xml和bin格式

OpenVINO是一个功能丰富的跨平台边缘加速工具箱,本文用到了其中的模型优化工具和推理引擎两部分内容.

OpenVINO的安装配置可以参考https://docs.openvinotoolkit.org/2019_R2/_docs_install_guides_installing_openvino_linux.html ,本文的所有实现基于2020.4版本,为确保可用,建议下载2020.4版本的OpenVINO.

安装完成后在~/.bashrc文件中添加如下内容,用于在终端启动时配置环境变量.

source /opt/intel/openvino/bin/setupvars.sh
source /opt/intel/openvino/opencv/setupvars.sh

安装完成后运行如下脚本实现onnx模型到xml bin模型的转换.

python /opt/intel/openvino/deployment_tools/model_optimizer/mo_onnx.py --input_model .onnx文件路径  --output_dir 期望模型输出的路径

运行成功之后会获得.xml和.bin文件,xml和bin是OpenVINO中的模型存储方式,后续将基于bin和xml文件进行部署.该模型转换工具还有定点化等模型优化功能,有兴趣可以自己试试.

使用OpenVINO进行推理部署

OpenVINO除了模型优化工具外,还提供了一套运行时推理引擎.

想使用OpenVINO的模型进行推理部署,有两种方式,第一种方式是使用OpenVINO原生的sdk,另外一种方式是使用支持OpenVINO的opencv(比如OpenVINO自带的opencv)进行部署,本文对原生sdk的部署方式进行介绍.

OpenVINO提供了相对丰富的例程,本文中实现的yolov5的部署参考了/opt/intel/openvino/deployment_tools/inference_engine/demos/object_detection_demo_yolov3_async文件夹中yolov3的实现方式.

1.推理引擎的初始化

首先需要进行推理引擎的初始化,此部分代码封装在detector.cpp的init函数.

主要流程如下:

Core ie;
//读入xml文件,该函数会在xml文件的目录下自动读取相应的bin文件,无需手动指定
auto cnnNetwork = ie.ReadNetwork(_xml_path);
//从模型中获取输入数据的格式信息
InputsDataMap inputInfo(cnnNetwork.getInputsInfo());
InputInfo::Ptr& input = inputInfo.begin()->second;
_input_name = inputInfo.begin()->first;
input->setPrecision(Precision::FP32);
input->getInputData()->setLayout(Layout::NCHW);
ICNNNetwork::InputShapes inputShapes = cnnNetwork.getInputShapes();
SizeVector& inSizeVector = inputShapes.begin()->second;
cnnNetwork.reshape(inputShapes);
//从模型中获取推断结果的格式
_outputinfo = OutputsDataMap(cnnNetwork.getOutputsInfo());
for (auto &output : _outputinfo) {output.second->setPrecision(Precision::FP32);
}
//获取可执行网络,这里的CPU指的是推断运行的器件,可选的还有"GPU",这里的GPU指的是intel芯片内部的核显
//配置好核显所需的GPU运行环境,使用GPU模式进行的推理速度上有很大提升,这里先拿CPU部署后面会提到GPU环境的配置方式
_network =  ie.LoadNetwork(cnnNetwork, "CPU");

2.数据准备

为了适配网络的输入数据格式要求,需要对原始的opencv读取的Mat数据进行预处理.

resize
最简单的方式是将输入图像直接resize到640*640尺寸,此种方式会造成部分物体失真变形,识别准确率会受到部分影响,简单起见,在demo代码里使用了该方式.

在竞赛代码中,为了追求正确率,图像缩放的时候需要按图像原始比例将图像的长或宽缩放到640.假设长被放大到640,宽按照长的变换比例无法达到640,则在图像的两边填充黑边确保输入图像总尺寸为640*640.竞赛代码中使用了该种缩放方式,需要注意的是如果使用该种缩放方式,在获取结果时需要将结果转换为在原始图像中的坐标.

颜色通道转换
鉴于opencv和pytorch的颜色通道差异,opencv是BGR通道,pytorch是RGB,在输入网络之前,需要进行通道转换.

推断请求和blob填充

InferRequest::Ptr infer_request = _network.CreateInferRequestPtr();
Blob::Ptr frameBlob = infer_request->GetBlob(_input_name);
InferenceEngine::LockedMemory<void> blobMapped = InferenceEngine::as<InferenceEngine::MemoryBlob>(frameBlob)->wmap();
float* blob_data = blobMapped.as<float*>();
//nchw
for(size_t row =0;row<640;row++){for(size_t col=0;col<640;col++){for(size_t ch =0;ch<3;ch++){//将图像转换为浮点型填入模型blob_data[img_size*ch + row*640 + col] = float(inframe.at<Vec3b>(row,col)[ch])/255.0f;}}
}

3.推断执行与解析

推断执行

infer_request->Infer();

获取推断结果
从Netron的可视化结果可知

output.png
网络只包含到输出三个检测头的部分，三个检测头分别对应80,40,和20的栅格尺寸,因此需要对三种尺寸的检测头输出结果依次解析,具体的解析过程在parse_yolov5函数中进行了实现:

//获取各层结果
vector<Rect> origin_rect;                     //保存原始的框信息
vector<float> origin_rect_cof;            //保存框对应的置信度信息
int s[3] = {80,40,20};
int i=0;
for (auto &output : _outputinfo) {auto output_name = output.first;Blob::Ptr blob = infer_request->GetBlob(output_name);parse_yolov5(blob,s[i],_cof_threshold,origin_rect,origin_rect_cof);++i;
}

对检测头的内容进行解析
这部分主要是使用c++将yolov5代码中的detect层内容重新实现一下,主要代码实现如下:

//注意此处的阈值是框和物体prob乘积的阈值
bool Detector::parse_yolov5(const Blob::Ptr &blob,int net_grid,float cof_threshold,vector<Rect>& o_rect,vector<float>& o_rect_cof){vector<int> anchors = get_anchors(net_grid);LockedMemory<const void> blobMapped = as<MemoryBlob>(blob)->rmap();const float *output_blob = blobMapped.as<float *>();//80个类是85,一个类是6,n个类是n+5//int item_size = 6;int item_size = 85;size_t anchor_n = 3;for(int n=0;n<anchor_n;++n)for(int i=0;i<net_grid;++i)for(int j=0;j<net_grid;++j){double box_prob = output_blob[n*net_grid*net_grid*item_size + i*net_grid*item_size + j *item_size+ 4];box_prob = sigmoid(box_prob);//框置信度不满足则整体置信度不满足if(box_prob < cof_threshold)continue;//注意此处输出为中心点坐标,需要转化为角点坐标double x = output_blob[n*net_grid*net_grid*item_size + i*net_grid*item_size + j*item_size + 0];double y = output_blob[n*net_grid*net_grid*item_size + i*net_grid*item_size + j*item_size + 1];double w = output_blob[n*net_grid*net_grid*item_size + i*net_grid*item_size + j*item_size + 2];double h = output_blob[n*net_grid*net_grid*item_size + i*net_grid*item_size + j *item_size+ 3];double max_prob = 0;int idx=0;for(int t=5;t<85;++t){double tp= output_blob[n*net_grid*net_grid*item_size + i*net_grid*item_size + j *item_size+ t];tp = sigmoid(tp);if(tp > max_prob){max_prob = tp;idx = t;}}float cof = box_prob * max_prob;                //对于边框置信度小于阈值的边框,不关心其他数值,不进行计算减少计算量if(cof < cof_threshold)continue;x = (sigmoid(x)*2 - 0.5 + j)*640.0f/net_grid;y = (sigmoid(y)*2 - 0.5 + i)*640.0f/net_grid;w = pow(sigmoid(w)*2,2) * anchors[n*2];h = pow(sigmoid(h)*2,2) * anchors[n*2 + 1];double r_x = x - w/2;double r_y = y - h/2;Rect rect = Rect(round(r_x),round(r_y),round(w),round(h));o_rect.push_back(rect);o_rect_cof.push_back(cof);}if(o_rect.size() == 0) return false;else return true;
}

这一部分最艰难的是搞清楚输出数据的排列方式,一开始我也试了很多次,最后才得到了正确的输出.

需要注意的一点是,按照输出排列方式读取的数值不是最终我们需要的结果,需要进行一些计算来进行转换,

转换的依据可以参考yolov5/models/yolo.py中forward函数的实现.

注意这里有一个参数cof_threshold,其计算方式是框置信度乘以物品置信度,如果识别效果不佳,则需要对该数值进行调整.

NMS获取最终结果
经过以上步骤,原始的框信息存储在origin_rect变量中,还需要通过NMS去除同一个物体多余的框.

OpenVNIO自带的opencv提供了NMS的一种实现,因而直接进行调用.

vector<int> final_id;dnn::NMSBoxes(origin_rect,origin_rect_cof,_cof_threshold,_nms_area_threshold,final_id);//根据final_id获取最终结果for(int i=0;i<final_id.size();++i){Rect resize_rect= origin_rect[final_id[i]];detected_objects.push_back(Object{origin_rect_cof[final_id[i]],"",resize_rect});}

其中origin_rect为原始矩形,origin_rect_cof为矩形对应的置信度,_cof_threshold为置信度(框置信度乘以物品置信度)阈值,_nms_area_threshold是重叠百分比多少则算为一个物体的阈值,final_id为目标矩形在origin_rect中的下标.

4.性能测试

计时实现如下:

auto start = chrono::high_resolution_clock::now();
auto end = chrono::high_resolution_clock::now();
std::chrono::duration<double> diff = end - start;
cout<<"use "<<diff.count()<<" s" << endl;

原始的未经优化的CPU运行的yolov5,推理时间在240ms左右,测试平台为intel corei7 6700hq.

检测结果如下:

检测结果

推理加速

使用核显GPU进行计算
将

_network =  ie.LoadNetwork(cnnNetwork, "CPU");

改为

_network =  ie.LoadNetwork(cnnNetwork, "GPU");

如果OpenVINO环境配置设置无误程序应该可以直接运行.

检测环境是否配置无误的方法是运行:

/opt/intel/openvino/deployment_tools/demo中的./demo_security_barrier_camera.sh

若成功运行则cpu环境正常.

./demo_security_barrier_camera.sh -d GPU 运行正常则gpu环境运行正常.

使用openmp进行并行化
在推理之外的数据预处理和解析中存在大量循环,这些循环都可以利用openmp进行并行优化.

模型优化如定点化为int8类型
在模型转换时通过设置参数可以实现模型的定点化.

git项目使用

项目地址:https://github.com/fb029ed/yolov5_cpp_openvino

demo部分完成了yolov5原始模型的部署
使用方法为依次执行

cd ./demo
mkdir build
cd build
cmake ..
make
./detect_test

cvmart_competition部分为开发者榜单竞赛的参赛代码,不能直接运行仅供参考

【C++实现yolov5的OpenVINO部署_2】相关推荐

YOLOv5实现自定义对象训练与OpenVINO部署全解析
点击上方"小白学视觉",选择加"星标"或"置顶" 重磅干货,第一时间送达本文转自:opencv学堂大家好,前面写了一个OpenVINO部 ...
OpenVINO 部署 YOLOv5 转换IR文件
环境: Windows:10 YOLOv5:3.1 Python 3.7.10 torch:1.7.0+cu101 torchvision:0.8.1+cu101 OpenVINO:openvino_ ...
5g与edge ai_使用OpenVINO部署AI Edge应用
5g与edge ai In my previous articles, I have discussed the basics of the OpenVINO toolkit, OpenVINO's ...
使用OpenVINO部署ONNX模型
做深度学习神经网络的设计.训练与部署,往往会困扰于不同的操作系统,不同的深度学习框架,不同的部署硬件,以及不同的版本.由于相互之间的不兼容,给开发使用者造成了很大的不便. 联合使用OpenVINO和O ...
yolov5的TensorRT部署--warpaffine_cuda核函数
从0到1实现基于tensorrt的yolo部署教程 http://t.csdn.cn/HUn4T,请点击该链接,即可看到全文本文对于上面的案例,将预处理使用cuda核函数进行加速一.cuda核函数 ...
OpenVINO部署Mask-RCNN实例分割网络
点击上方"3D视觉工坊",选择"星标" 干货第一时间送达极市导读 OpenVINO是英特尔推出的一款全面的工具套件,用于快速部署应用和解决方案,支持计算机视觉 ...
【源码】YOLOv5云端API部署
简介这是一个YOLOv5的云端部署代码,其存在的主要目的是为了解决将YOLOv5训练出来的权重或者官方权重简单快速的部署上云服务或者Docker中,并且可以通过POST请求在任意代码中调用(如Jav ...
【模型部署】PaddleOCR模型openvino部署（一）
PaddleOCR:https://github.com/PaddlePaddle/PaddleOCR PaddleOCR是一个非常好用的OCR工具,它有如下特性: PP-OCR系列高质量预训练模型, ...
全流程打通！YOLOV5标注训练部署：Windows/Linux/Jetson Nano
作者 | msnh2012 编辑 | 极市平台点击下方卡片,关注"自动驾驶之心"公众号 ADAS巨卷干货,即可获取点击进入→自动驾驶之心[模型部署]技术交流群导读本文将分 ...

【C++实现yolov5的OpenVINO部署_2】