IT小白

这个屌丝很懒，什么也没留下！

热门标签

开发者实战 | 在英特尔® 开发者套件上使用 OpenVINOSharp 部署 YOLOv8 模型

作者：IT小白 | 2024-02-21 09:25:19

踩

yolov v8 openvino

点击蓝字

关注我们,让开发变得更有趣

文章作者：颜国进英特尔边缘计算创新大使

技术指导：武卓，李翊玮

OpenVINO^™ 工具套件可以加快深度学习视觉应用开发速度，帮助用户在从边缘到云的各种英特尔平台上，更加方便快捷的将 AI 模型部署到生产系统中。

C# 是由 C 和 C++ 衍生出来的一种安全的、稳定的、简单的、优雅的面向对象编程语言，它综合了 VB 简单的可视化操作和 C++ 的高运行效率，成为支持成为.NET 开发的首选语言。然而，OpenVINO^™未提供 C# 语言接口，这对在 C# 中使用 OpenVINO^™带来了些许不便，在之前的工作中，我们打造了开源，商用免费的OpenVINO^™ Sharp 工具包旨在推动 OpenVINO^™在 C# 领域的应用，目前已经成功在 Window 平台实现使用。

OpenVINO^™ Sharp 工具包 Github 地址（复制链接到浏览器）

https://github.com/guojin-yan/OpenVinoSharp

在本文中，我们将介绍如何在英特尔^® 开发者套件 AIxBoard 开发板上基于 Linux 系统实现 OpenVINOSharp。

本文中所使用的范例代码已开源到 OpenVINOSharp 仓库中，GitHub 网址为：

https://github.com/guojin-yan/OpenVINOSharp/blob/openvinosharp3.0/tutorial_examples/AlxBoard_deploy_yolov8/Program.cs

向右滑动查看完整代码

1.1

英特尔^® 开发者套件 AIxBoard 介绍

图 1 AIxBoard 介绍

1.1.1 产品定位

英特尔^® 开发者套件 AIxBoard (爱克斯板)是英特尔开发套件官方序列中的一员，专为入门级人工智能应用和边缘智能设备而设计。爱克斯板能完美胜人工智能学习、开发、实训、应用等不同应用场景。该套件预装了英特尔OpenVINO^™工具套件、模型仓库和演示套件主要接口与 Jetson Nano 载板兼容，GPIO 与树莓派兼容，能够最大限度地复用成熟的生态资源。这使得套件能够作为边缘计算引擎，为人工智能产品验证和开发提供强大支持；同时，也可以作为域控核心，为机器人产品开发提供技术支撑。

使用 AIxBoard (爱克斯板)开发套件，您将能够在短时间内构建出一个出色的人工智能应用应用程序。无论是用于科研、教育还是商业领域，爱克斯板都能为您提供良好的支持。借助 OpenVINO^™ 工具套件，CPU、iGPU 都具备强劲的 AI 推理能力，支持在图像分类、目标检测、分割和语音处理等应用中并行运行多个神经网络。

1.1.2 产品参数

1.1.3 AI 推理单元

借助 OpenVINO^™ 工具套件，能够实现 CPU + iGPU 异构计算推理，iGPU(集成显卡)算力约为 0.6TOPS

1.2

配置 .NET 环境

.NET 是一个免费的跨平台开源开发人员平台，用于构建多种应用程序。下面将演示如何在 Ubuntu 20.04 上安装 .NET 环境，支持 .NET Core 2.0-3.1 系列以及.NET 5-8 系列，如果您使用的是其他 Linux 系统，你可以参考在 Linux 发行版上安装 .NET - .NET | Microsoft Learn（复制链接到浏览器）：

https://learn.microsoft.com/zh-cn/dotnet/core/install/linux

1.1.2 添加 Microsoft 包存储库

使用 APT 进行安装可通过几个命令来完成。安装 .NET 之前，请运行以下命令，将 Microsoft 包签名密钥添加到受信任密钥列表，并添加包存储库。

打开终端并运行以下命令：


wget https://packages.microsoft.com/config/ubuntu/20.04/packages-microsoft-prod.deb -O packages-microsoft-prod.deb
sudo dpkg -i packages-microsoft-prod.deb
rm packages-microsoft-prod.deb

向右滑动查看完整代码

下图为输入上面命令后控制台的输出：

图 2 1.2.1 添加 Microsoft 包存储库输出

1.2.2 安装 SDK

.NET SDK 使你可以通过 .NET 开发应用。如果安装 .NET SDK，则无需安装相应的运行时。若要安装 .NET SDK，请运行以下命令：


sudo apt-get update
sudo apt-get install -y dotnet-sdk-3.1

向右滑动查看完整代码

下图为安装后控制台的输出：

图 3 安装 SDK 输出

1.2.3 测试安装

通过命令行可以检查 SDK 版本以及 Runtime 时版本。


dotnet --list-sdks
dotnet --list-runtimes

向右滑动查看完整代码

下图为输入测试命令后控制台的输出：

图 4 SDK 版本以及 Runtime 版本

1.2.4 测试控制台项目

在 Linux 环境下，我们可以通过 dotnet 命令来创建和编译项目，项目创建命令为：

dotnet new <project_type> -o <project name>

向右滑动查看完整代码

此处我们创建一个简单测试控制台项目：


dotnet new console -o test_net6.0
cd test_net6.0
dotnet run

向右滑动查看完整代码

下图为输入测试命令后控制台的输出以及项目文件夹文件情况，C# 项目会自动创建一个 Program.cs 程序文件，里面包含了程序运行入口主函数，同时还会创建一个 *.csproj 文件，负责指定项目编译中的一些配置。

图 5 控制台项目

以上就是 .NET 环境的配置步骤，如果你的环境与本文不匹配，可以通过 .NET 文档 | Microsoft Learn 获取更多安装步骤（复制链接到浏览器）：

https://learn.microsoft.com/zh-cn/dotnet/

1.3

安装 OpenVINO^™ Runtime

OpenVINO^™ 有两种安装选项：

OpenVINO^™Runtime，包含用于在处理器设备上运行模型部署推理的核心库
OpenVINO^™ Development Tools 是一组用于处理 OpenVINO^™和 OpenVINO^™模型的工具，包括模型优化器、OpenVINO^™ Runtime、模型下载器等。

在此处我们只需要安装 OpenVINO^™ Runtime 即可。

1.3.1 下载 OpenVINO^™ Runtime

访问 Download the Intel Distribution of OpenVINO^™ Toolkit 页面，按照下面流程选择相应的安装选项，在下载页面，由于我们的设备使用的是 Ubuntu20.04，因此下载时按照指定的编译版本下载即可。

下载地址请见以下（复制链接到浏览器）

https://www.intel.com/content/www/us/en/developer/tools/openvino-toolkit/download.html?ENVIRONMENT=DEV_TOOLS&OP_SYSTEM=WINDOWS&VERSION=v_2023_0_1&DISTRIBUTION=PIP

图 6 OpenVINO^™ Runtime 下载

1.3.2 解压安装包

我们所下载的 OpenVINO^™ Runtime 本质是一个 C++ 依赖包，因此我们把它放到我们的系统目录下，这样在编译时会根据设置的系统变量获取依赖项。首先在系统文件夹下创建一个文件夹：

sudo mkdir -p /opt/intel

然后解压缩我们下载的安装文件，并将其移动到指定文件夹下：


tar -xvzf l_openvino_toolkit_ubuntu20_2023.0.1.11005.fa1c41994f3_x86_64.tgz
sudo mv l_openvino_toolkit_ubuntu20_2023.0.1.11005.fa1c41994f3_x86_64 /opt/intel/openvino_2022.3.0

1.3.3 安装依赖

接下来我们需要安装 OpenVINO^™ Runtime 所有的依赖项，通过命令行输入以下命令即可：


cd /opt/intel/openvino_2022.3.0/
sudo -E ./install_dependencies/install_openvino_dependencies.sh

向右滑动查看完整代码

图 7 安装 OpenVINO^™ Runtime 依赖项

1.3.4 配置环境变量

安装完成后，我们需要配置环境变量，以保证在调用时系统可以获取对应的文件，通过命令行输入以下命令即可：

source /opt/intel/openvino_2022.3.0/setupvars.sh

向右滑动查看完整代码

以上就是 OpenVINO^™ Runtime 环境的配置步骤，如果你的环境与本文不匹配，可以通过 Install OpenVINO^™ Runtime — OpenVINO^™ documentation — Version(2023.0) 获取更多安装步骤（复制链接到浏览器）：

https://docs.openvino.ai/2023.0/openvino_docs_install_guides_install_runtime.html

1.4

配置 AlxBoard_deploy_yolov8 项目

项目中所使用的代码已经放在 GitHub 仓库 AlxBoard_deploy_yolov8，大家可以根据情况自行下载和使用，下面我将会从头开始一步步构建 AlxBoard_deploy_yolov8 项目。

AlxBoard_deploy_yolov8 GitHub 地址（复制链接到浏览器）：

https://github.com/guojin-yan/OpenVINOSharp/blob/openvinosharp3.0/tutorial_examples/AlxBoard_deploy_yolov8/Program.cs

1.4.1 创建 AlxBoard_deploy_yolov8 项目

在该项目中，我们需要使用 OpenCvSharp，该依赖目前在 Ubutun 平台最高可以支持 .NET Core 3.1，因此我们此处创建一个 .NET Core 3.1 的项目，使用 Terminal 输入以下指令创建并打开项目文件：


dotnet new console --framework "netcoreapp3.1" -o AlxBoard_deploy_yolov8
cd AlxBoard_deploy_yolov8

向右滑动查看完整代码

图 8 1.4.1 创建 AlxBoard_deploy_yolov8 项目

创建完项目后，将 AlxBoard_deploy_yolov8 的代码内容替换到创建的项目中的 Program.cs 文件中：

AlxBoard_deploy_yolov8 代码地址（复制链接到浏览器）

https://github.com/guojin-yan/OpenVINOSharp/blob/openvinosharp3.0/tutorial_examples/AlxBoard_deploy_yolov8/Program.cs

1.4.2 添加 OpenVINOSharp 依赖

由于 OpenVINOSharp 当前正处于开发阶段，还未创建 Linux 版本的 NuGet Package，因此需要通过下载项目源码以项目引用的方式使用。

下载源码

通过 Git 下载项目源码，新建一个 Terminal，并输入以下命令克隆远程仓库，将该项目放置在 AlxBoard_deploy_yolov8 同级目录下。


git clone https://github.com/guojin-yan/OpenVINOSharp.git
cd OpenVINOSharp

向右滑动查看完整代码

本文的项目目录为：


Program
--|-AlxBoard_deploy_yolov8
--|-OpenVINOSharp

向右滑动查看完整代码

修改 OpenVINO^™ 依赖

由于项目源码的 OpenVINO^™ 依赖与本文设置不同，因此需要修改 OpenVINO^™ 依赖项的路径，主要通过修改

OpenVINOSharp/src/OpenVINOSharp/native_methods/ov_base.cs 文件即可，修改内容如下：


private const string dll_extern = "./openvino2023.0/openvino_c.dll";
---修改为--->
private const string dll_extern = "libopenvino_c.so";

向右滑动查看完整代码

添加项目依赖

在 Terminal 输入以下命令，即可将 OpenVINOSharp 添加到

AlxBoard_deploy_yolov8 项目引用中。

dotnet add reference ./../OpenVINOSharp/src/OpenVINOSharp/OpenVINOSharp.csproj

向右滑动查看完整代码

添加环境变量

该项目需要调用 OpenVINO^™动态链接库，因此需要在当前环境下增加 OpenVINO^™动态链接库路径：

export LD_LIBRARY_PATH=/opt/intel/openvino_2023.0/runtime/lib/intel64

向右滑动查看完整代码

1.4.3 添加 OpenCvSharp

安装 NuGet Package

OpenCvSharp 可以通过 NuGet Package 安装，只需要在 Terminal 输入以下命令：


dotnet add package OpenCvSharp4_.runtime.ubuntu.20.04-x64
dotnet add package OpenCvSharp4

向右滑动查看完整代码

添加环境变量

将以下路径添加到环境变量中：

export LD_LIBRARY_PATH=/home/ygj/Program/OpenVINOSharp/tutorial_examples/AlxBoard_deploy_yolov8/bin/Debug/netcoreapp3.1/runtimes/ubuntu.20.04-x64/native

向右滑动查看完整代码

/bin/Debug/netcoreapp3.1/runtimes/ubuntu.20.04-x64/native 是 AlxBoard_deploy_yolov8 编译后生成的路径，该路径下存放了 libOpenCvSharpExtern.so 文件，该文件主要是封装的 OpenCV 中的各种接口。也可以将该文件拷贝到项目运行路径下。

检测 libOpenCvSharpExtern 依赖

由于 libOpenCvSharpExtern.so 是在其他环境下编译好的动态链接库，本机电脑可能会缺少相应的依赖，因此可以通过 ldd 命令检测。

ldd libOpenCvSharpExtern.so

图 9 检测 libOpenCvSharpExtern 依赖

如果输出内容中没有 no found 的，说明不缺少依赖，如果存在，则需要安装缺少的依赖项才可以正常使用。

添加完项目依赖以及 NuGet Package 后，项目的配置文件内容为：


<Project Sdk="Microsoft.NET.Sdk">
  <ItemGroup>
    <ProjectReference Include="..\OpenVINOSharp\src\OpenVINOSharp\OpenVINOSharp.csproj" />
  </ItemGroup>
  <ItemGroup>
    <PackageReference Include="OpenCvSharp4" Version="4.8.0.20230708" />
    <PackageReference Include="OpenCvSharp4_.runtime.ubuntu.20.04-x64" Version="4.8.0.20230708" />
  </ItemGroup>
  <PropertyGroup>
    <OutputType>Exe</OutputType>
    <TargetFramework>netcoreapp3.1</TargetFramework>
  </PropertyGroup>
</Project>

向右滑动查看完整代码

1.5

运行 AlxBoard_deploy_yolov8 项目

该项目测试所使用的模型与文件都可以在 OpenVINOSharp中找到，因此下面我们通过 OpenVINOSharp 仓库下的模型与文件进行测试。

通过 dotnet 运行，只需要运行以下命令即可。

dotnet run <args>

<args>参数设指的是模型预测类型、模型路径、图片文件路径参数，预测类型输入包括：'det'、'seg'、'pose'、'cls' 四种类型；默认推理设备设置为'AUTO'，对于'det'、'seg'预测，可以设置参数，如果设置该参数，会将结果绘制到图片上，如果未设置，会通过控制台打印出来。

1.5.1 编译运行 Yolov8-det 模型

编译运行命令为:

dotnet run det /home/ygj/Program/OpenVINOSharp/model/yolov8/yolov8s.xml /home/ygj/Program/OpenVINOSharp/dataset/image/demo_2.jpg GPU.0 /home/ygj/Program/OpenVINOSharp/dataset/lable/COCO_lable.txt

向右滑动查看完整代码

模型推理输出结果为：


---- OpenVINO INFO----
Description : OpenVINO Runtime
Build number: 2023.0.1-11005-fa1c41994f3-releases/2023/0
Set inference device GPU.0.
[INFO] Loading model files: /home/ygj/Program/OpenVINOSharp/model/yolov8/yolov8s.xml
[INFO] model name: torch_jit
[INFO]   inputs:
[INFO]     input name: images
[INFO]     input type: f32
[INFO]     input shape: Shape : [1, 3, 640, 640]
[INFO]   outputs:
[INFO]     output name: output0
[INFO]     output type: f32
[INFO]     output shape: Shape : [1, 84, 8400]
[INFO] Read image files: /home/ygj/Program/OpenVINOSharp/dataset/image/demo_2.jpg
 
 
Detection result : 
 
 
1: 0 0.89   (x:744 y:43 width:388 height:667)
2: 0 0.88   (x:149 y:202 width:954 height:507)
3: 27 0.72   (x:435 y:433 width:98 height:284)

向右滑动查看完整代码

图 10 Yolov8-det 模型预测输出

1.5.2 编译运行 Yolov8-cls 模型

编译运行命令为:

dotnet run cls /home/ygj/Program/OpenVINOSharp/model/yolov8/yolov8s-cls.xml /home/ygj/Program/OpenVINOSharp/dataset/image/demo_7.jpg GPU.0

向右滑动查看完整代码

模型推理输出结果为：


---- OpenVINO INFO----
Description : OpenVINO Runtime
Build number: 2023.0.1-11005-fa1c41994f3-releases/2023/0
Set inference device GPU.0.
[INFO] Loading model files: /home/ygj/Program/OpenVINOSharp/model/yolov8/yolov8s-cls.xml
[INFO] model name: torch_jit
[INFO]   inputs:
[INFO]     input name: images
[INFO]     input type: f32
[INFO]     input shape: Shape : [1, 3, 224, 224]
[INFO]   outputs:
[INFO]     output name: output0
[INFO]     output type: f32
[INFO]     output shape: Shape : [1, 1000]
[INFO] Read image files: /home/ygj/Program/OpenVINOSharp/dataset/image/demo_7.jpg
 
 
 
 
Classification Top 10 result : 
 
 
classid probability
------- -----------
294     0.992173
269     0.002861
296     0.002111
295     0.000714
270     0.000546
276     0.000432
106     0.000159
362     0.000147
260     0.000078
272     0.000070

向右滑动查看完整代码

1.5.3 编译运行 Yolov8-pose 模型

编译运行命令为:

dotnet run pose /home/ygj/Program/OpenVINOSharp/model/yolov8/yolov8s-pose.xml /home/ygj/Program/OpenVINOSharp/dataset/image/demo_9.jpg GPU.0

向右滑动查看完整代码

模型推理输出结果为：


---- OpenVINO INFO----
Description : OpenVINO Runtime
Build number: 2023.0.1-11005-fa1c41994f3-releases/2023/0
Set inference device GPU.0.
[INFO] Loading model files: /home/ygj/Program/OpenVINOSharp/model/yolov8/yolov8s-pose.xml
[INFO] model name: torch_jit
[INFO]   inputs:
[INFO]     input name: images
[INFO]     input type: f32
[INFO]     input shape: Shape : [1, 3, 640, 640]
[INFO]   outputs:
[INFO]     output name: output0
[INFO]     output type: f32
[INFO]     output shape: Shape : [1, 56, 8400]
[INFO] Read image files: /home/ygj/Program/OpenVINOSharp/dataset/image/demo_9.jpg
 
 
 
 
Classification result : 
 
 
1: 1   0.94   (x:104 y:22 width:152 height:365) Nose: (188 ,60 ,0.93) Left Eye: (192 ,53 ,0.83) Right Eye: (180 ,54 ,0.90) Left Ear: (196 ,53 ,0.50) Right Ear: (167 ,56 ,0.76) Left Shoulder: (212 ,92 ,0.93) Right Shoulder: (151 ,93 ,0.94) Left Elbow: (230 ,146 ,0.90) Right Elbow: (138 ,142 ,0.93) Left Wrist: (244 ,199 ,0.89) Right Wrist: (118 ,187 ,0.92) Left Hip: (202 ,192 ,0.97) Right Hip: (168 ,193 ,0.97) Left Knee: (184 ,272 ,0.96) Right Knee: (184 ,276 ,0.97) Left Ankle: (174 ,357 ,0.87) Right Ankle: (197 ,354 ,0.88)

向右滑动查看完整代码

图 11 Yolov8-pose 模型预测输出

1.5.4 编译运行 Yolov8-seg 模型

编译运行命令为:

dotnet run seg /home/ygj/Program/OpenVINOSharp/model/yolov8/yolov8s-seg.xml /home/ygj/Program/OpenVINOSharp/dataset/image/demo_2.jpg GPU.0 /home/ygj/Program/OpenVINOSharp/dataset/lable/COCO_lable.txt

向右滑动查看完整代码

模型推理输出结果为：


---- OpenVINO INFO----
Description : OpenVINO Runtime
Build number: 2023.0.1-11005-fa1c41994f3-releases/2023/0
Set inference device GPU.0.
[INFO] Loading model files: /home/ygj/Program/OpenVINOSharp/model/yolov8/yolov8s-seg.xml
47
[INFO] model name: torch_jit
[INFO]   inputs:
[INFO]     input name: images
[INFO]     input type: f32
[INFO]     input shape: Shape : [1, 3, 640, 640]
[INFO]   outputs:
[INFO]     output name: output0
[INFO]     output type: f32
[INFO]     output shape: Shape : [1, 116, 8400]
[INFO] Read image files: /home/ygj/Program/OpenVINOSharp/dataset/image/demo_2.jpg
 
 
 
 
Segmentation result : 
 
 
1: 0 0.90   (x:745 y:42 width:403 height:671)
2: 0 0.86   (x:121 y:196 width:1009 height:516)
3: 27 0.69   (x:434 y:436 width:90 height:280)

向右滑动查看完整代码

图 12 Yolov8-seg 模型预测输出

1.6

模型运行时间

AIxBoard 开发板板载了 N5105 CPU 以及 UHD 集成显卡，此处对 CPU、iGPU 的推理性能做了一个简单测试，主要检测了模型推理时间，并使用 i7-1165G7 进行了同步测试，测试结果如表所示。

可以看出，英特尔^® 赛扬 N5105 CPU 在模型推理性能是十分强大的：针对 Yolov8 模型，平均处理速度可以达到10FPs。

1.7

总结

在该项目中，我们基于 Ubutn 20.04 系统，成功实现了在 C# 环境下调用 OpenVINO^™ 部署深度学习模型，验证了在 Linux 环境下 OpenVINOSharp 项目的的可行性，这对后面在 Linux 环境下开发 OpenVINOSharp 具有很重要的意义。

欢迎关注 OpenVINOSharp 代码仓（复制链接到浏览器）：

https://github.com/guojin-yan/OpenVinoSharp

OpenVINO™

--END--


你也许想了解(点击蓝字查看)⬇️➡️ 基于 Llama2 和 OpenVINO™ 打造聊天机器人➡️ OpenVINO™ DevCon 2023重磅回归！英特尔以创新产品激发开发者无限潜能➡️ 5周年更新 | OpenVINO™  2023.0，让AI部署和加速更容易➡️ OpenVINO™5周年重头戏！2023.0版本持续升级AI部署和加速性能➡️ OpenVINO™2023.0实战 | 在 LabVIEW 中部署 YOLOv8 目标检测模型➡️ 开发者实战系列资源包来啦！➡️ 以AI作画，祝她节日快乐；简单三步，OpenVINO™ 助你轻松体验AIGC
➡️ 还不知道如何用OpenVINO™作画？点击了解教程。➡️ 几行代码轻松实现对于PaddleOCR的实时推理，快来get！➡️ 使用OpenVINO 在“端—边—云”快速实现高性能人工智能推理➡️ 图片提取文字很神奇？试试三步实现OCR！➡️【Notebook系列第六期】基于Pytorch预训练模型，实现语义分割任务➡️使用OpenVINO™ 预处理API进一步提升YOLOv5推理性能


扫描下方二维码立即体验 
OpenVINO™ 工具套件 2023.0

点击阅读原文立即体验OpenVINO 2023.0

文章这么精彩，你有没有“在看

声明：本文内容由网友自发贡献，不代表【wpsshop博客】立场，版权归原作者所有，本站不承担相应法律责任。如您发现有侵权的内容，请联系我们。转载请注明出处：https://www.wpsshop.cn/w/IT小白/article/detail/122509