C++实现yolov5的OpenVINO部署 |
您所在的位置：网站首页 › openvino部署yolov5s › C++实现yolov5的OpenVINO部署 |
C++实现yolov5的OpenVINO部署
|
[GiantPandaCV导语] 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 nc 需要识别的类别数量,yolov5原始的默认类别数量为80anchors 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 LabelsOrganize 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 torch.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 exportmodel.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.  net.jpg 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 blobMapped = InferenceEngine::as(frameBlob)->wmap(); float* blob_data = blobMapped.as(); //nchw for(size_t row =0;rowrmap(); const float *output_blob = blobMapped.as(); //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 |
【本文地址】
今日新闻 |
推荐新闻 |