用OpenVINO™ C++ API编写YOLOv8-Seg实例分割模型推理程序

 

文章作者：英特尔边缘计算创新大使 战鹏州

01. 简介

本文章将介绍使用 OpenVINO 2023.0 C++ API 开发YOLOv8-Seg 实例分割（Instance Segmentation）模型的 AI 推理程序。本文 C++ 范例程序的开发环境是 Windows + Visual Studio Community 2022。

请读者先配置基于 Visual Studio 的 OpenVINO C++ 开发环境。

请克隆本文的代码仓：

git clone 

https://gitee.com/ppov-nuc/yolov8_openvino_cpp.git

02. 导出 YOLOv8-Seg OpenVINO IR 模型

YOLOv8 是 Ultralytics 公司基于 YOLO 框架，发布的一款面向物体检测与跟踪、实例分割、图像分类和姿态估计任务的 SOTA 模型工具套件。

首先用命令 ：

 

pip install -r requirements.txt

 

安装  ultralytics 和 openvino-dev 。

然后使用命令：

 

yolo export model=yolov8n-seg.pt format=openvino half=True

 

向右滑动查看完整代码

导出 FP16 精度的 OpenVINO IR 模型，如下图所示。

接着使用命令：

 

benchmark_app -m yolov8n-seg.xml -d GPU.1

 

向右滑动查看完整代码

获得 yolov8n-seg.xml 模型在 A770m 独立显卡上的异步推理计算性能，如下图所示。

03. 使用 OpenVINO C++ API 

编写 YOLOv8-Seg 实例分割模型推理程序

使用 OpenVINO C++ API 编写 YOLOv8-Seg 实例分割模型推理程序主要有5个典型步骤：

1 采集图像&图像解码

2 图像数据预处理

3 AI 推理计算(基于 OpenVINO C++ API )

4 对推理结果进行后处理

5 将处理后的结果可视化

YOLOv8-Seg 实例分割模型推理程序的图像数据预处理和AI推理计算的实现方式跟 YOLOv8 目标检测模型推理程序的实现方式几乎一模一样，可以直接复用。

3.1 图像数据预处理

使用 Netron 打开 yolov8n-seg.onnx ，如下图所示，可以看到：

输入节点的名字：“ 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个字段为掩膜置信度，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

图像数据预处理的目标就是将任意尺寸的图像数据转变为形状为[1,3,640,640]，精度为 FP32 的张量。YOLOv8-Seg 模型的输入尺寸为正方形，为了解决将任意尺寸数据放缩为正方形带来的图像失真问题，在图像放缩前，采用 letterbox 算法先保持图像的长宽比，如下图所示，然后再使用 cv::blobFromImage 函数对图像进行放缩。

 

图像数据预处理的范例程序如下所示：

 

Mat letterbox(const Mat& source)
{
    int col = source.cols;
    int row = source.rows;
    int _max = MAX(col, row);
    Mat result = Mat::zeros(_max, _max, CV_8UC3);
    source.copyTo(result(Rect(0, 0, col, row)));
    return result;
}
Mat img = cv::imread("bus.jpg"); 
Mat letterbox_img = letterbox(img);
Mat blob = blobFromImage(letterbox_img, 1.0/255.0, Size(640,640), Scalar(), true);

 

向右滑动查看完整代码

3.2 AI 同步推理计算

用 OpenVINO C++ API 实现同步推理计算，主要有七步：

1实例化 Core 对象：ov::Core core;

2编译并载入模型：core.compile_model();

3创建推理请求：infer_request = compiled_model.create_infer_request()；

4读取图像数据并完成预处理；

5将输入数据传入模型：infer_request.set_input_tensor(input_tensor);

6启动推理计算：infer_request.infer();

7获得推理结果：output0 = infer_request.get_output_tensor(0) ; 

output1 = infer_request.get_output_tensor(1) ;

范例代码如下所示：

 

 // -------- Step 1. Initialize OpenVINO Runtime Core --------
    ov::Core core;
    // -------- Step 2. Compile the Model --------
    auto compiled_model = core.compile_model("yolov8n-seg.xml", "CPU");
    // -------- Step 3. Create an Inference Request --------
    ov::InferRequest infer_request = compiled_model.create_infer_request();
    // -------- Step 4.Read a picture file and do the preprocess --------
    Mat img = cv::imread("bus.jpg");
    // Preprocess the image
    Mat letterbox_img = letterbox(img);
    float scale = letterbox_img.size[0] / 640.0;
    Mat blob = blobFromImage(letterbox_img, 1.0 / 255.0, Size(640, 640), Scalar(), true);
    // -------- Step 5. Feed the blob into the input node of the Model -------
    // Get input port for model with one input
    auto input_port = compiled_model.input();
    // Create tensor from external memory
    ov::Tensor input_tensor(input_port.get_element_type(), input_port.get_shape(), blob.ptr(0));
    // Set input tensor for model with one input
    infer_request.set_input_tensor(input_tensor);
    // -------- Step 6. Start inference --------
    infer_request.infer();
    // -------- Step 7. Get the inference result --------
    auto output0 = infer_request.get_output_tensor(0); //output0
    auto output1 = infer_request.get_output_tensor(1); //otuput1

 

向右滑动查看完整代码

3.3 推理结果后处理

实例分割推理程序的后处理是从结果中拆解出预测别类（class_id），类别分数（class_score），类别边界框（box）和类别掩膜（mask），范例代码如下所示：

 

// -------- Step 8. Postprocess the result --------
    Mat output_buffer(output0_shape[1], output0_shape[2], CV_32F, output0.data());
    Mat proto(32, 25600, CV_32F, output1.data()); //[32,25600]
    transpose(output_buffer, output_buffer); //[8400,116]
    float score_threshold = 0.25;
    float nms_threshold = 0.5;
    std::vector class_ids;
    std::vector class_scores;
    std::vector boxes;
    std::vector mask_confs;
    // Figure out the bbox, class_id and class_score
    for (int i = 0; i < output_buffer.rows; i++) {
        Mat classes_scores = output_buffer.row(i).colRange(4, 84);
        Point class_id;
        double maxClassScore;
        minMaxLoc(classes_scores, 0, &maxClassScore, 0, &class_id);


        if (maxClassScore > score_threshold) {
            class_scores.push_back(maxClassScore);
            class_ids.push_back(class_id.x);
            float cx = output_buffer.at(i, 0);
            float cy = output_buffer.at(i, 1);
            float w = output_buffer.at(i, 2);
            float h = output_buffer.at(i, 3);
            int left = int((cx - 0.5 * w) * scale);
            int top = int((cy - 0.5 * h) * scale);
            int width = int(w * scale);
            int height = int(h * scale);
            cv::Mat mask_conf = output_buffer.row(i).colRange(84, 116);
            mask_confs.push_back(mask_conf);
            boxes.push_back(Rect(left, top, width, height));
        }
    }
    //NMS
    std::vector indices;
    NMSBoxes(boxes, class_scores, score_threshold, nms_threshold, indices);

 

向右滑动查看完整代码

完整范例参考参见：yolov8_seg_ov_infer.cpp ，运行结果如下图所示：

 

04 结论

OpenVINO C++ API 简单清晰，易学易用。本文用不到100行(不含可视化检测结果)  C++  代码就实现了基于 OpenVINO 的 YOLOv8-Seg 实例分割模型推理程序，在英特尔 独立显卡 A770m 上获得了较好的推理计算性能。

　　审核编辑：汤梓红