在AI爱克斯开发板上用OpenVINO™加速YOLOv8目标检测模型

文章作者：

英特尔物联网行业创新大使 杨雪锋博士

01简介

《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

02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：

yoloexport 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：

03用 benchmark_app 测试

yolov8 目标检测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.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：

04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")


while True:
  start = time.time()
  ret, frame = cap.read()
  if not ret:
    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)

向右滑动查看完整代码

yolov8_od_ov_sync_infer_demo.py 运行结果，如下图所示：

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 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。

下一篇将继续介绍在《在 AI 爱克斯开发板上用 OpenVINO 加速 YOLOv8-Seg 实例分割模型》。

审核编辑：汤梓红