设为首页收藏本站
开启辅助访问

【YOLOv8】实战二：YOLOv8 OpenVINO2022版 windows部署实战

 您所在的位置：网站首页 › yololo模型 › 【YOLOv8】实战二：YOLOv8 OpenVINO2022版 windows部署实战

【YOLOv8】实战二：YOLOv8 OpenVINO2022版 windows部署实战

2023-09-21 12:41| 来源: 网络整理| 查看: 265

‍‍🏡博客主页： virobotics的CSDN博客：LabVIEW深度学习、人工智能博主 🎄所属专栏：『LabVIEW深度学习实战』 🍻上期文章： LabVIEW使用OpenVINO加速必备工具包下载与安装教程 📰如觉得博主文章写的不错或对你有所帮助的话，还望大家多多支持呀！ 欢迎大家✌关注、👍点赞、✌收藏、👍订阅专栏

文章目录 前言一、YOLOv8简介二、环境搭建2.1 部署本项目时所用环境2.2 LabVIEW工具包下载及安装2.3 安装OpenVINO2022 Dev Tools（选做） 三、yolov8导出OpenVINO（选做）3.1 安装YOLOv83.2 下载模型权重文件3.3 导出模型为openvino 四、项目实践4.1 加载YOLOv8的openvino模型实现实时目标检测4.2 加载YOLOv8的onnx模型实现实时目标检测 五、速度对比六、项目源码总结

前言

前面两篇文章介绍了OpenVINO工具包及具体的安装，今天我们一起来看一下，如何使用LabVIEW OpenVINO工具包实现YOLOv8的推理部署。其他yolo模型在LabVIEW中的部署可以查看专栏【深度学习：物体识别（目标检测）】

一、YOLOv8简介

YOLOv8 是由 YOLOv5 的发布者 Ultralytics 发布的最新版本的 YOLO。它可用于对象检测、分割、分类任务以及大型数据集的学习，并且可以在包括 CPU 和 GPU 在内的各种硬件上执行。

YOLOv8是一种尖端的、最先进的 (SOTA) 模型，它建立在以前成功的 YOLO 版本的基础上，并引入了新的功能和改进，以进一步提高性能和灵活性。YOLOv8 旨在快速、准确且易于使用，这也使其成为对象检测、图像分割和图像分类任务的绝佳选择。具体创新包括一个新的骨干网络、一个新的 Ancher-Free 检测头和一个新的损失函数，还支持YOLO以往版本，方便不同版本切换和性能对比。

YOLOv8 有 5 个不同模型大小的预训练模型：n、s、m、l 和 x。关注下面的参数个数和COCO mAP（准确率），可以看到准确率比YOLOv5有了很大的提升。特别是 l 和 x，它们是大模型尺寸，在减少参数数量的同时提高了精度。 在这里插入图片描述 每个模型的准确率如下 在这里插入图片描述

YOLOv8官方开源地址：https://github.com/ultralytics/ultralytics

二、环境搭建 2.1 部署本项目时所用环境 操作系统：Windows10python：3.6及以上LabVIEW：2018及以上 64位版本AI视觉工具包：techforce_lib_opencv_cpu-1.0.0.98.vipOpenVINO工具包：virobotics_lib_openvino-1.0.0.9.vip【1.0.0.9及以上版本均可】 2.2 LabVIEW工具包下载及安装 AI视觉工具包下载与安装参考： https://blog.csdn.net/virobotics/article/details/123656523OpenVINO工具包下载与安装参考： https://blog.csdn.net/virobotics/article/details/130226410 2.3 安装OpenVINO2022 Dev Tools（选做）

如果你打算直接使用已经导出好的OpenVINO模型（IR格式文件），则不需要安装OpenVINO2022 Dev Tools，可以直接进入步骤四-项目实战，如果你打算自己将yolov8.pt导出为OpenVINO模型（IR格式文件），那请安装OpenVINO2022 Dev Tools，具体安装命令如下：

pip install openvino-dev==2022.3.0

'注意：因为LabVIEW推理中使用的OpenVINO工具包是2022.3.0版本，所以Dev Tools也需要2022.3.0版本'

三、yolov8导出OpenVINO（选做）

注意：本教程已经为大家提供了YOLOv8的openvino模型，可跳过本步骤，直接进行步骤四-项目实战。若是想要了解YOLOv8的openvino模型如何导出，则可继续阅读本部分内容。

下面我们来介绍openvino模型（IR格式文件）的导出(以yolov8s为例，想要导出其他模型的方式也一样，只需要修改名字即可)

3.1 安装YOLOv8

YOLOv8的安装有两种方式，pip安装和GitHub安装。

pip安装 pip install ultralytics -i https://pypi.douban.com/simple/ GitHub安装 git clone https://github.com/ultralytics/ultralytics cd ultralytics pip install -e '.[dev]'

大家可以选择其中的一种安装方式进行安装，安装完成后就可以通过yolo命令在命令行进行使用了。

3.2 下载模型权重文件

在官方网站中下载我们所需要的权重文件 在这里插入图片描述

注意：这一步其实可以不做，我们在第三步导出模型为openvino的时候如果权重文件不存在，会自动帮我们下载一个权重文件，但速度会较慢，所以个人还是建议先在官网中下载权重文件，再导出为openvino模型（IR格式文件）

3.3 导出模型为openvino

新建一个文件夹名字为“yolov8_openvino”，将刚刚下载的权重文件“yolov8s.pt”放到该文件夹下的models文件夹里 在这里插入图片描述 在models文件夹下打开cmd，在cmd中输入以下命令将模型直接导出为openvino模型（IR格式文件）：

yolo export model=yolov8s.pt format=openvino

在这里插入图片描述 可以看到模型已经成功导出，并保存在文件夹下 在这里插入图片描述

仔细查看导出信息，我们可以看到整个导出过程是先将yolov8s.pt导出为onnx，再将onnx模型导出为openvino模型（IR格式文件）。 在这里插入图片描述

如果觉得上面方式不方便，那我们也可以写一个python脚本，快速导出yolov8的openvino模型（IR格式文件），程序如下：

from ultralytics import YOLO # Load a model model = YOLO("\models\yolov8s.pt") # load an official model # Export the model model.export(format="openvino")

当然，也可以导出为其他格式，具体参数可参考如下文档： 在这里插入图片描述

四、项目实践

实现效果：LabVIEW中使用OpenVINO部署yolov8实现目标检测

整个项目工程如下，本次项目以yolov8s为例

在这里插入图片描述

model:yolov8模型文件subvi：子viyolov8_IE_camera:yolov8摄像头视频实时推理

准备工作

将coco.names移动到yolov8_openvino文件夹下；确保models文件中已经放置了yolov8的onnx以及模型openvino模型。 4.1 加载YOLOv8的openvino模型实现实时目标检测

1.获取模型文件及类别标签文件路径； 在这里插入图片描述

2.模型初始化：加载openvino模型并读取该模型输出的shape； 在这里插入图片描述

3.图像预处理：创建所需Mat并启动摄像头，对视频流中的每帧进行预处理 在这里插入图片描述

cvtColor：颜色空间转换把采集的BGR图像转为RGB letterbox：深度学习模型输入图片的尺寸为正方形，而数据集中的图片一般为长方形，粗暴的resize会使得图片失真，采用letterbox可以较好的解决这个问题。该方法可以保持图片的长宽比例，剩下的部分采用灰色填充，输入参数是模型指定输入的大小，比如640*640。 在这里插入图片描述

循环的作用：归一化图像数据为圣经网络所需

4.模型推理：将数据输入给到IE_run.vi，数据的大小为1x3x640x640；

在这里插入图片描述

IE_Run是一个多态vi，我们选择Automatic，则该vi会根据输入数据不同自动选择类型，本范例中，使用类型为IE_Run_OneInput_1d_Float 在这里插入图片描述

5.获取推理结果：循环外初始化一个84x8400的二维数组，此数组作为IE_Get_Result.vi的输入，另一个输入为index=0，输出为84x8400的二维数组结果，推理之后，将推理结果由84x8400 transpose为8400x84，以便于输入到后处理；

在这里插入图片描述

6.后处理

在这里插入图片描述

范例中yolov8_post_process 的输入8400x84,84的排列顺序:

第0列代表物体中心x在图中的位置第1列表示物体中心y在图中的位置第2列表示物体的宽度第3列表示物体的高度第4~83列为基于COCO数据集的80分类的标记权重，最大的为输出分类。

8400的含义是：YOLOv8的3个检测头一共有80x80+40x40+20x20=8400个输出单元格 yolov8_post_process 的输出为box的x,y,w,h以及confidence和类别class

注：如果用户训练自己的数据集，则列数将根据用户定义的类别数改变。如果用户的数据集中有2类，那么输入数据的大小将为8400x6。前4列意义和之前相同，后2列为每一个分类的标记权重。

7.绘制检测结果：在图片上绘制box把那个显示识别结果和置信度 在这里插入图片描述

8.完整源码； 在这里插入图片描述

9.运行效果(检测1280*720的视频流)

测试电脑型号如下

CPU型号：11th Gen Intel® Core™ i7-11800H @ 2.30GHz 2.30 GHz集显型号：Intel® UHD Graphics 在这里插入图片描述 4.2 加载YOLOv8的onnx模型实现实时目标检测

我们在以上程序中做一点小小的修改，只需要修改加载模型函数为IE_Creat_session_from_ONNX.vi，修改模型相对路径为model\yolov8s.onnx，则可实现LabVIEW OpenVINO2022版工具包加载onnx模型。 在这里插入图片描述

1.完整程序； 在这里插入图片描述

2.实现效果(检测1280*720的视频流)

CPU加速：

在这里插入图片描述

五、速度对比

在同一电脑下，我们使用LabVIEW onnx工具包加载yolov5s模型，检测1280*720的视频流，每帧耗时大概是100多毫秒（如下动态图所示），对比我们可以看出，在CPU下推理，OpenVINO工具包更有优势。

在这里插入图片描述

我们本次项目中所用IR是FP32，如果对模型调优量化，速度会更快

六、项目源码

码字不易，如需源码，请一键三连并订阅本专栏后评论区留下邮箱

总结

以上就是今天要给大家分享的内容，希望对大家有用。下一篇会给大家更新使用TensorRT来部署加速YOLOv8实现目标检测，我们下篇文章见~

如果文章对你有帮助，欢迎✌关注、👍点赞、✌收藏、👍订阅专栏

推荐阅读

LabVIEW图形化的AI视觉开发平台（非NI Vision），大幅降低人工智能开发门槛 LabVIEW图形化的AI视觉开发平台（非NI Vision）VI简介 LabVIEW AI视觉工具包OpenCV Mat基本用法和属性 手把手教你使用LabVIEW人工智能视觉工具包快速实现图像读取与采集 LabVIEW AI开发者福音：LabVIEW OpenVINO AI加速工具包，不来看看？ LabVIEW使用OpenVINO加速必备工具包下载与安装教程 👇技术交流 · 一起学习 · 咨询分享，请联系👇



【本文地址】


今日新闻

推荐新闻

CopyRight 2018-2019 办公设备维修网 版权所有 豫ICP备15022753号-3