OpenVINO™ Java API应用RT-DETR做目标检测器实战

本文将从零开始详细介绍环境搭建的完整步骤，我们基于英特尔开发套件AIxBoard为硬件基础实现了Java在Ubuntu 22.04系统上成功使用OpenVINO Java API，并且成功运行了RT-DETR实现实时端到端目标检测器AI任务。

项目中所使用的代码已上传至OpenVINO Java API仓库中，GitHub网址为：

https://github.com/Hmm466/OpenVINO-Java-API

RT-DETR是第一个实时端到端目标检测器。具体而言，我们设计了一个高效的混合编码器，通过解耦尺度内交互和跨尺度融合来高效处理多尺度特征，并提出了IoU感知的查询选择机制，以优化解码器查询的初始化。此外，RT-DETR支持通过使用不同的解码器层来灵活调整推理速度，而不需要重新训练，这有助于实时目标检测器的实际应用。

RT-DETR-L在COCO val2017上实现了53.0%的AP，在T4 GPU上实现了114FPS，RT-DETR-X实现了54.8%的AP和74FPS，RT-DETR-H实现了56.3%的AP和40FPS，在速度和精度方面都优于相同规模的所有YOLO检测器。RT-DETR-R50实现了53.1%的AP和108FPS，RT-DETR-R101实现了54.3%的AP和74FPS，在精度上超过了全部使用相同骨干网络的DETR检测器。

基础模型

Model	Epoch	Backbone	Input shape	APvcal	AP50val	Params(M)	FLOPs(G)	T4 TensorRT FP16(FPS)	Pretrained Model	config
RT-DETR-R18	6x	ResNet-18	640	46.5	63.8	20	60	217	https://bj.bcebos.com/v1/paddledet/models/rtdetr_r18vd_dec3_6x_coco.pdparams	https://file+.vscode-resource.vscode-cdn.net/Users/ming/MyWorkspace/IdeaWorkspace/OpenVINO-Java-API/docs/rt_detr/rtdetr_r18vd_6x_coco.yml
RT-DETR-R34	6x	ResNet-34	640	48.9	66.8	31	92	161	https://bj.bcebos.com/v1/paddledet/models/rtdetr_r34vd_dec4_6x_coco.pdparams	https://file+.vscode-resource.vscode-cdn.net/Users/ming/MyWorkspace/IdeaWorkspace/OpenVINO-Java-API/docs/rt_detr/rtdetr_r34vd_6x_coco.yml
RT-DETR-R50-m	6x	ResNet-50	640	51.3	69.6	36	100	145	https://bj.bcebos.com/v1/paddledet/models/rtdetr_r50vd_m_6x_coco.pdparams	https://file+.vscode-resource.vscode-cdn.net/Users/ming/MyWorkspace/IdeaWorkspace/OpenVINO-Java-API/docs/rt_detr/rtdetr_r50vd_m_6x_coco.yml
RT-DETR-R50	6x	ResNet-50	640	53.1	71.3	42	136	108	https://bj.bcebos.com/v1/paddledet/models/rtdetr_r50vd_6x_coco.pdparams	https://file+.vscode-resource.vscode-cdn.net/Users/ming/MyWorkspace/IdeaWorkspace/OpenVINO-Java-API/docs/rt_detr/rtdetr_r50vd_6x_coco.yml
RT-DETR-R101	6x	ResNet-101	640	54.3	72.7	76	259	74	https://bj.bcebos.com/v1/paddledet/models/rtdetr_r101vd_6x_coco.pdparams	https://file+.vscode-resource.vscode-cdn.net/Users/ming/MyWorkspace/IdeaWorkspace/OpenVINO-Java-API/docs/rt_detr/rtdetr_r101vd_6x_coco.yml
RT-DETR-L	6x	HGNetv2	640	53.0	71.6	32	110	114	https://bj.bcebos.com/v1/paddledet/models/rtdetr_hgnetv2_l_6x_coco.pdparams	https://file+.vscode-resource.vscode-cdn.net/Users/ming/MyWorkspace/IdeaWorkspace/OpenVINO-Java-API/docs/rt_detr/rtdetr_hgnetv2_l_6x_coco.yml
RT-DETR-X	6x	HGNetv2	640	54.8	73.1	67	234	74	https://bj.bcebos.com/v1/paddledet/models/rtdetr_hgnetv2_x_6x_coco.pdparams	https://file+.vscode-resource.vscode-cdn.net/Users/ming/MyWorkspace/IdeaWorkspace/OpenVINO-Java-API/docs/rt_detr/rtdetr_hgnetv2_x_6x_coco.yml
RT-DETR-H	6x	HGNetv2	640	56.3	74.8	123	490	40	https://bj.bcebos.com/v1/paddledet/models/rtdetr_hgnetv2_h_6x_coco.pdparams	https://file+.vscode-resource.vscode-cdn.net/Users/ming/MyWorkspace/IdeaWorkspace/OpenVINO-Java-API/docs/rt_detr/rtdetr_hgnetv2_h_6x_coco.yml

More

高精度模型

Model	Epoch	Backbone	Input shape	APvcal	AP50val	Pretrained Model	config
RT-DETR-Swin	3x	Swin_L_384	640	56.2	73.5	https://bj.bcebos.com/v1/paddledet/models/rtdetr_swin_L_384_3x_coco.pdparams	https://file+.vscode-resource.vscode-cdn.net/Users/ming/MyWorkspace/IdeaWorkspace/OpenVINO-Java-API/docs/rt_detr/rtdetr_swin_L_384_3x_coco.yml
RT-DETR-FocalNet	3x	FocalNet_L_384	640	56.9	74.3	https://bj.bcebos.com/v1/paddledet/models/rtdetr_focalnet_L_384_3x_coco.pdparams	https://file+.vscode-resource.vscode-cdn.net/Users/ming/MyWorkspace/IdeaWorkspace/OpenVINO-Java-API/docs/rt_detr/rtdetr_focalnet_L_384_3x_coco.yml

More

Objects365预训练模型

Model	Epoch	Dataset	Input shape	APvcal	AP50val	T4 TensorRT FP16(FPS)	Weight	Logs
RT-DETR-R18	1x	Objects365	640	22.9	31.2	-	https://bj.bcebos.com/v1/paddledet/models/rtdetr_r18vd_1x_objects365.pdparams	https://github.com/lyuwenyu/RT-DETR/issues/8
RT-DETR-R18	5x	COCO + Objects365	640	49.2	66.6	217	https://bj.bcebos.com/v1/paddledet/models/rtdetr_r18vd_5x_coco_objects365.pdparams	https://github.com/lyuwenyu/RT-DETR/issues/8
RT-DETR-R50	1x	Objects365	640	35.1	46.2	-	https://bj.bcebos.com/v1/paddledet/models/rtdetr_r50vd_1x_objects365.pdparams	https://github.com/lyuwenyu/RT-DETR/issues/8
RT-DETR-R50	2x	COCO + Objects365	640	55.3	73.4	108	https://bj.bcebos.com/v1/paddledet/models/rtdetr_r50vd_2x_coco_objects365.pdparams	https://github.com/lyuwenyu/RT-DETR/issues/8
RT-DETR-R101	1x	Objects365	640	36.8	48.3	-	https://bj.bcebos.com/v1/paddledet/models/rtdetr_r101vd_1x_objects365.pdparams	https://github.com/lyuwenyu/RT-DETR/issues/8
RT-DETR-R101	2x	COCO + Objects365	640	56.2	74.5	74	https://bj.bcebos.com/v1/paddledet/models/rtdetr_r101vd_2x_coco_objects365.pdparams	https://github.com/lyuwenyu/RT-DETR/issues/8

More

数据出自：

https://github.com/PaddlePaddle/PaddleDetection/tree/develop/configs/rtdetr

1

英特尔开发套件AIxBoard介绍

1.1

 产品定位

英特尔开发套件AIxBoard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。英特尔开发套件AIxBoard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。

使用英特尔开发套件AIxBoard，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，英特尔开发套件AIxBoard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。

1.2

 产品参数

1.3

AI推理单元

借助OpenVINO 工具，能够实现CPU+iGPU异构计算推理，IGPU算力约为0.6TOPS
 

2

准备工作

2.1

配置java环境

下载并配置JDK:

JDK（Java Development Kit）称为Java开发包或Java开发工具，是一个编写Java的Applet小程序和应用程序的程序开发环境。JDK是整个Java的核心，包括了Java运行环境（Java Runtime Environment），一些Java工具和Java的核心类库（Java API）。不论什么Java应用服务器实质都是内置了某个版本的JDK。主流的JDK是Sun公司发布的JDK，除了Sun之外，还有很多公司和组织都开发了自己的JDK.

2.1.1 添加api到本地maven

添加OpenVINO Java API至Maven(目前没有在meven中央仓库发布，所以需要手动安装)

2.1.2 clone OpenVINO Java API项目到本地

 

git clone https://github.com/Hmm466/OpenVINO-Java-API

 

2.1.3 通过IDEA或Eclipse打开

通过maven install到本地maven库中

 

[INFO] ------------------------------------------------------------------------
[INFO] BUILD SUCCESS
[INFO] ------------------------------------------------------------------------
[INFO] Total time:  14.647 s
[INFO] Finished at: 2023-11-02T21:34:49+08:00
[INFO] ------------------------------------------------------------------------

 

jar包会放置在

/{userHome}/.m2/repository/org/openvino/java-api/1.0-SNAPSHOT/java-api-1.0-SNAPSHOT.pom

2.2

安装OpenVINO Runtime

OpenVINO 有两种安装方式: OpenVINO Runtime和OpenVINO Development Tools。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。

2.2.1 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，由于英特尔开发套件AIxBoard使用的是Ubuntu20.04，因此下载时按照指定的编译版本下载即可。

2.2.2 解压缩安装包

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。

 

cd ~/Downloads/
tar -xvzf l_openvino_toolkit_ubuntu20_2022.3.1.9227.cf2c7da5689_x86_64.tgz
sudo mv l_openvino_toolkit_ubuntu20_2022.3.1.9227.cf2c7da5689_x86_64/runtime/lib/intel64/* /usr/lib/

 

2.3

编译OpenCV java库

2.3.1 下载ANT

由于OpenCV编译出libopencv_java{version}.[so|dll|dylib]需要apache ant的支持，所以需要手动下载ant并加入环境变量
官网：http://ant.apache.org/

 

export ANT_HOME={ant_home}
export PATH=$ANT_HOME/bin:$PATH

 

2.3.2 OpenCV 下载源代码

opencv官网下载源码：

https://opencv.org/

解压缩之后进入文件夹

 

mkdir build
cd build
cmake -DBUILD_SHARED_LIBS=OFF -DWITH_IPP=OFF -DBUILD_ZLIB=OFF -DCMAKE_INSTALL_PREFIX=你的opencv目录 
  -DJAVA_INCLUDE_PATH={jdk 所在位置}/include -DJAVA_AWT_INCLUDE_PATH={jdk 所在位置}/include 
  -DJAVA_INCLUDE_PATH2={jdk 所在位置}/include -DBUILD_JAVA=ON ../

 

注意看输出有没有

 

--   Java:                          
--     ant:                         
--     JNI:                         
--     Java wrappers:               
--     Java tests:   

 

需要不为NO或者有目录

然后编译安装

 

make -j 8
make install

 

3

在英特尔开发套件AIxBoard上进行测试

3.1

源代码直接测试

 

git clone https://github.com/Hmm466/OpenVINO-Java-API

 

3.2

编写测试类

 

public class RT_DETRTest {
    private OpenVINO vino;
    private String classerPath = "dataset/lable/COCO_lable.txt";
    private String imgPath = "dataset/image/WechatIMG28.jpg";
    private String modelPath = "model/rtdetr/rtdetr_r18vd_6x_coco.xml";


    @Before
    public void setUp() {
        vino = OpenVINO.load();
        vino.loadCvDll();
    }


    @After
    public void tearDown() {
    }


    @Test
    public void rtDetrTest() {
        Mat image = Imgcodecs.imread(imgPath);
        Mat resultMat = new Mat();
        modelPath = "model/rtdetr/rtdetr_r50vd_6x_coco.xml";
        RTDETR predictor = new RTDETR(modelPath, classerPath, "CPU", false);
        resultMat = predictor.predict(image);
        HighGui.imshow("result", resultMat);
        HighGui.waitKey(0);
    }
}

 

结果将输出

 

Model path: model/rtdetr/rtdetr_r50vd_6x_coco.xml
Device name: CPU
Inference Model
  Model name: Model from PaddlePaddle.
  Input:
     name: image
     type: 5
  Output:
     name: stack_7.tmp_0_slice_0
     type: 5
     name: stack_8.tmp_0_slice_0
     type: 5
Infer result:
  class_id : 0, label : person, confidence : 0.9453949, left_top : [290, 199], right_bottom: [475, 789]
  class_id : 0, label : person, confidence : 0.9366737, left_top : [740, 262], right_bottom: [866, 491]
  class_id : 0, label : person, confidence : 0.95133895, left_top : [-1, 306], right_bottom: [268, 826]
  class_id : 56, label : chair, confidence : 0.7857964, left_top : [108, 612], right_bottom: [292, 830]
  class_id : 0, label : person, confidence : 0.8834057, left_top : [885, 317], right_bottom: [1124, 539]
  class_id : 63, label : laptop, confidence : 0.67640233, left_top : [493, 460], right_bottom: [615, 560]
  class_id : 63, label : laptop, confidence : 0.8890746, left_top : [533, 511], right_bottom: [812, 794]
  class_id : 0, label : person, confidence : 0.8422087, left_top : [622, 100], right_bottom: [1249, 825]
  class_id : 63, label : laptop, confidence : 0.74342567, left_top : [859, 446], right_bottom: [954, 529]
  class_id : 62, label : tv, confidence : 0.92532605, left_top : [245, 167], right_bottom: [717, 463]
  class_id : 63, label : laptop, confidence : 0.7818358, left_top : [897, 475], right_bottom: [1093, 647]

 

详细实现原理可以进入以下网址查看：

https://github.com/Hmm466/OpenVINO-Java-API

4

总结

在该项目中，我们基于英特尔开发套件AIxBoard为硬件基础实现了Java在Ubuntu 22.04系统上成功使用OpenVINO Java API，并且成功运行了RT-DETR模型，后续我还会将继续使用OpenVINO Java API在英特尔开发套件AIxBoard 部署更多的深度学习模型。

审核编辑：刘清