开发者实战 | 在AI爱克斯开发板上用OpenVINO™加速YOLOv8-seg实例分割模型

以下文章来源于英特尔物联网 ，作者杨雪锋

01

简介

《在 AI 爱克斯开发板上用 OpenVINO™ 加速 YOLOv8 目标检测模型》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 的目标检测模型，本文将介绍在 AI 爱克斯开发板上使用 OpenVINO™ 加速 YOLOv8-seg 实例分割模型。

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

02

导出 YOLOv8-seg 实例分割 

OpenVINO™ IR 模型

YOLOv8-seg 的实例分割模型有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-seg.pt format=onnx

完成 yolov8n-seg.onnx 模型导出，如下图所示：

然后使用命令：

mo -m yolov8n-seg.onnx --compress_to_fp16

优化并导出 FP16 精度的 OpenVINO™ IR 格式模型，如下图所示：

03

用 benchmark_app 测试

YOLOv8-seg 实例分割模型的推理计算性能

benchmark_app 是 OpenVINO™ 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-seg.xml -d GPU

获得 yolov8n-seg.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：

04

使用 OpenVINO™ Python API 编写

YOLOv8-seg 实例分割模型推理程序

用 Netron 打开 yolov8n-seg.onnx 可以看到模型的输入和输出，跟 YOLOv5-seg 模型的输入输出定义很类似：

• 输入节点名字：“images”；

  数据：float32[1,3,640,640]

• 输出节点 1 的名字：“output0”；

  数据：float32[1,116,8400]。其中 116 的前 84 个字段跟 YOLOv8 目标检测模型输出定义完全一致，即cx,cy,w,h 和 80 类的分数；后 32 个字段用于计算掩膜数据。

• 输出节点 2 的名字：“output1”；

  数据：float32[1,32,160,160]。output0 后 32 个字段与 output1 的数据做矩阵乘法后得到的结果，即为对应目标的掩膜数据。

基于 OpenVINO™ Python API 的 YOLOv8-seg 实例分割模型范例程序 yolov8_seg_ov_sync_infer_demo.py 的核心源代码，如下所示：

# Initialize the VideoCapture
cap = cv2.VideoCapture("store-aisle-detection.mp4")
# Initialize YOLOv5 Instance Segmentator
model_path = "yolov8n-seg.xml"
device_name = "GPU"
yoloseg = YOLOSeg(model_path, device_name, conf_thres=0.3, iou_thres=0.3)
while cap.isOpened():
    # Read frame from the video
    ret, frame = cap.read()
    if not ret:
        break
    # Update object localizer
    start = time.time()
    boxes, scores, class_ids, masks = yoloseg(frame)
    # postprocess and draw masks
    combined_img = yoloseg.draw_masks(frame)
    end = time.time()
    # show FPS
    fps = (1 / (end - start)) 
    fps_label = "Throughput: %.2f FPS" % fps
    cv2.putText(combined_img, fps_label, (10, 25), cv2.FONT_HERSHEY_SIMPLEX, 1, (0, 0, 255), 2)
    # show ALL
    cv2.imshow("YOLOv8 Segmentation OpenVINO inference Demo", combined_img)
    # Press Any key stop
    if cv2.waitKey(1) > -1:
        print("finished by user")
        break

向右滑动查看完整代码

运行结果，如下图所示：

向右滑动查看完整图片

05

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-seg 的实例分割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。下一篇将继续介绍在《在 AI 爱克斯开发板上用 OpenVINO™ 加速 YOLOv8-pose 姿态检测模型》。

--END--

你也许想了解(点击蓝字查看)⬇️➡️ 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