AI爱克斯开发板上使用OpenVINO加速YOLOv8目标检测模型

《在AI爱克斯开发板上用OpenVINO加速YOLOv8分类模型》介绍了在AI爱克斯开发板上使用OpenVINO开发套件部署并测评YOLOv8的分类模型，本文将介绍在AI爱克斯开发板上使用OpenVINO加速YOLOv8目标检测模型。 请先下载本文的范例代码仓，并搭建好YOLOv8的OpenVINO推理程序开发环境。 git clone https://gitee.com/ppov-nuc/yolov8_openvino.git 导出YOLOv8目标检测OpenVINO IR模型 YOLOv8的目标检测模型有5种，在COCO数据集完成训练，如下表所示。   首先使用命令：yolo export model=yolov8n.pt format=onnx，完成yolov8n.onnx模型导出，如下图所示。   然后使用命令：mo -m yolov8n.onnx --compress_to_fp16，优化并导出FP16精度的OpenVINO IR格式模型，如下图所示。   用benchmark_app测试yolov8目标检测模型的推理计算性能 benchmark_app是OpenVINOTM工具套件自带的AI模型推理计算性能测试工具，可以指定在不同的计算设备上，在同步或异步模式下，测试出不带前后处理的纯AI模型推理计算性能。 使用命令：benchmark_app -m yolov8n.xml -d GPU，获得yolov8n.xml模型在AI爱克斯开发板的集成显卡上的异步推理计算性能，如下图所示。   使用OpenVINO Python API编写YOLOv8目标检测模型推理程序 用Netron打开yolov8n.onnx，如下图所示，可以看到模型的输入是形状为[1,3,640,640]的张量，输出是形状为[1,84,8400]的张量，其中“84”的定义为：cx,cy,h,w和80种类别的分数。“8400”是指YOLOv8的3个检测头在图像尺寸为640时，有640/8=80, 640/16=40, 640/32=20, 80x80+40x40+20x20=8400个输出单元格。   基于OpenVINO Python API的YOLOv8目标检测模型的范例程序：yolov8_od_ov_sync_infer_demo.py，其核心源代码如下所示：

# 实例化Core对象

core =Core()

# 载入并编译模型

net =core.compile_model(f'{MODEL_NAME}.xml', device_name="AUTO")

# 获得模型输出节点

output_node =net.outputs[0] # yolov8n只有一个输出节点

ir =net.create_infer_request()

cap =cv2.VideoCapture("store-aisle-detection.mp4")

whileTrue:

start =time.time()

ret, frame =cap.read()

ifnotret:

break

# 图像数据前处理

[height, width, _] =frame.shape

length =max((height, width))

image =np.zeros((length, length, 3), np.uint8)

image[0:height, 0:width] =frame

scale =length /640

blob =cv2.dnn.blobFromImage(image, scalefactor=1/255, size=(640, 640), swapRB=True)

# 执行推理计算

outputs =ir.infer(blob)[output_node]

# 推理结果后处理并显示处理结果

outputs =np.array([cv2.transpose(outputs[0])])

... ...

cv2.imshow('YOLOv8 OpenVINO Infer Demo on AIxBoard', frame)

yolov8_od_ov_sync_infer_demo.py运行结果，如下图所示：   结 论 AI爱克斯开发板借助N5105处理器的集成显卡(24个执行单元)和OpenVINO，可以在YOLOv8的目标检测模型上获得相当不错的性能。通过异步处理和AsyncInferQueue，还能进一步提升计算设备的利用率，提高AI推理程序的吞吐量。

审核编辑：彭静