OpenVINOSharp常用API详解与演示

作者：颜国进 英特尔边缘计算创新大使

技术指导：武卓，李翊玮

 

OpenVINO 工具套件可以加快深度学习视觉应用开发速度，帮助用户在从边缘到云的各种英特尔平台上，更加方便快捷的将 AI 模型部署到生产系统中。

C# 是由 C 和 C++ 衍生出来的一种安全的、稳定的、简单的、优雅的面向对象编程语言，它综合了 VB 简单的可视化操作和 C++ 的高运行效率，成为支持成为.NET 开发的首选语言。作为人工智能开发人员，如果你希望在 C# 端使用 OpenVINO ，OpenVINOSharp 将是你的首选，并且制作了 NuGet 程序包，实现在 C# 端了一站式安装与使用 OpenVINO。

OpenVINOSharp 在制作时参考了 OpenVINO C++ API，因此对于之前使用过 OpenVINO 的人十分友好。下面表格向我们展示了 C# 与 C++ API 的对应关系

在本文中，将会根据模型部署的一般步骤，演示从模型加载到推理的方法函数使用方式，并于 C++ API 做对比。

1.1安装 OpenVINOSharp

OpenVINOSharp 支持 NuGet 程序包安装方式，这与在 C++ 中安装过程相比，较为简单，并且程序包中包含了 OpenVINO 2023.0 发行版本，可以通过 NuGet 安装后直接使用。

如果使用 Visual Studio 编译该项目，则可以通过 NuGet 程序包管理功能直接安装即可：

如果通过 dotnet 命令方式安装，通过下面语句进行安装即可：

 

dotnet add package OpenVinoSharp.win

 

向右滑动查看完整代码

1.2导入程序集

OpenVINOSharp 程序集全部在命名空间 OpenVinoSharp 下，因此若要使用 OpenVINOSharp ，需要先引入命名空间：

 

using OpenVinoSharp

 

1.3初始化 OpenVINO 运行时内核

Core 类代表一个 OpenVINO 运行时核心实体，后续的读取模型、加载模型等方法都需要通过 Core 类进行创建，在封装 C# API 时，为了与 C++ API 对应，也对 Core 类进行了封装，并封装了与 C++ API 中对应的方法。

在 C# 中的初始化方式：

 

Core core = new Core()

 

在 C++ 中的初始化方式：

 

ov::Core core;

 

1.4加载并获取模型信息

1.4.1   加载模型

OpenVINO 2022.1版本更新之后，加载，下面是所使用的 API 方法：

API	作用
Core.read_model ()	将模型从硬盘载入内存，并返回Model对象。

在 C# 中加载模型的方式：

 

Model model = core.read_model(model_path);

 

向右滑动查看完整代码

在 C++ 中的初始化方式：

 

std::shared_ptrmodel = core.read_model(model_path);

 

向右滑动查看完整代码

1.4.1   获取模型信息

通过 Core.read_model () 方法获得的 Model 对象和通过 Core.compile_model () 方法获得的 CompiledModel 对象，都支持直接访问属性获取输入与输出层信息。以 Model 对象获取模型信息为例，下面是所使用的 API 方法：

API	作用
Model.get_friendly_name()	获取模型的friendly name。
Model.input()	获取模型的输入层，并返回 Input 对象。
Model.output()	获取模型的输出层，并返回 Output 对象。

Input/Output 主要是封装了模型网络层，可以通过下面 API 实现获取模型的详细信息：

API	作用
Output.get_any_name()	获取模型网络层的名字。
Output.get_element_type()	获取模型网络层的数据类型，并返回 OvType 对象，OvType 主要封装了网络的基本数据类型。
Output.get_shape()	获取模型网络层的形状，并返回 Shape 对象，Shape 封装了网络层的形状数组。

在 C# 中通过下方代码，可以直接获取模型的输入、输入层以及模型的 friendly name：

 

string model_name = model.get_friendly_name();
Input input = model.input();
Output output = model.output();

 

向右滑动查看完整代码

然后将模型具体信息打印到控制台页面：

 

Console.WriteLine("Model name: {0}", model_name);
Console.WriteLine("/------- [In] -------/");
Console.WriteLine("Input name: {0}", input.get_any_name());
Console.WriteLine("Input type: {0}", input.get_element_type().to_string());
Console.WriteLine("Input shape: {0}", input.get_shape().to_string());
Console.WriteLine("/------- [Out] -------/");
Console.WriteLine("Output name: {0}", output.get_any_name());
Console.WriteLine("Output type: {0}", output.get_element_type().to_string());
Console.WriteLine("Output shape: {0}", output.get_shape().to_string());

 

向右滑动查看完整代码

获取模型网络层信息如下：

 

Model name: torch_jit
/------- [In] -------/
Input name: data
Input type: float
Input shape: [1,3,224,224]
/------- [Out] -------/
Output name: prob
Output type: float
Output shape: [1,1000]

 

向右滑动查看完整代码

同样的输出信息，我们使用 C++ API 实现如下：

 

std::cout << "Model name: " << model->get_friendly_name() << std::endl;
ov::Output input = model->input();
std::cout << "/------- [In] -------/" << std::endl;
std::cout << "Input name: " << input.get_any_name() << std::endl;
std::cout << "Input type: " << input.get_element_type().c_type_string() << std::endl;
std::cout << "Input shape: " << input.get_shape().to_string() << std::endl;
ov::Output output = model->output();
std::cout << "/------- [Out] -------/" << std::endl;
std::cout << "Output name: " << output.get_any_name() << std::endl;
std::cout << "Output type: " << output.get_element_type().c_type_string() << std::endl;
std::cout << "Output shape: " << output.get_shape().to_string() << std::endl;

 

向右滑动查看完整代码

1.5编译模型并创建推理请求

在读取本地模型后，调用模型编译方法将模型编译为可以在目标设备上执行的 compile_model 对象，并通过该对象创建用于推断已编译模型的推断请求对象。下面是所使用的 API 方法：

API	作用
Core.compile_model()	将模型编译为可以在目标设备上执行的 compile_model 对象。
CompiledModel.create_infer_request()	创建用于推断已编译模型的推断请求对象，创建的请求已经分配了输入和输出张量。

在 C# 中编译模型并创建推理请求的方式：

 

CompiledModel compiled_model = core.compile_model(model, "AUTO");
InferRequest infer_request = compiled_model.create_infer_request();

 

向右滑动查看完整代码

使用 C++ API 中编译模型并创建推理请求的方式：

 

CompiledModel compiled_model = core.compile_model(model, "AUTO");
InferRequest infer_request = compiled_model.create_infer_request();

 

向右滑动查看完整代码

1.6张量Tensor

1.6.1   张量的获取与设置

在创建推理请求后，系统会自动创建和分配输入和输出的张量，张量可以通过 InferRequest 对象获得，并且可以自定义张量并加载到模型指定节点；可以根据张量的输入输出序号、名称以及模型节点 Node 对象获取和设置，主要 C# API 如下：

API	作用
InferRequest.set_tensor()	设置要推断的输入/输出张量。
InferRequest.set_input_tensor()	设置要推断的输入张量。
InferRequest.set_output_tensor()	设置要推断的输出张量
InferRequest.get_tensor()	获取用于推理的输入/输出张量。
InferRequest.get_input_tensor()	获取用于推理的输入张量。
InferRequest.get_output_tensor()	设置要推理的输出张量

1.6.2   张量的信息获取与设置

张量中主要包含的信息有张量的形状 (Shape)、张量的数据格式 (OvType-> element.Type) 以及张量中的内存数据。可以通过以下 API 方法操作张量的参数：

API	作用
Tensor.set_shape ()	给张量设置一个新的形状。
Tensor.get_shape()	获取张量的形状。
Tensor.get_element_type()	获取张量的数据类型。
Tensor.get_size()	获取张量的数据长度。
Tensor.get_byte_size()	获取张量的字节大小。
Tensor.data()	获取张量的内存地址。
Tensor.set_data()	将指定类型的数据加载到张量内存下。
Tensor.get_data()	从张量中读取指定类型的数据。

以上方法是对张量的一些基础操作，除了 set_data、get_data 是 OpenVINOSharp 独有的，其他接口都与 C++API 一致。

1.7加载推理数据

1.7.1   获取输入张量

对于单输入的模型可以直接通过 get_input_tensor() 方法获得，并调用 Tensor 的相关方法获取 Tensor 的相关信息，C# 代码如下所示：

 

Tensor input_tensor = infer_request.get_input_tensor();
Console.WriteLine("/------- [Input tensor] -------/");
Console.WriteLine("Input tensor type: {0}", input_tensor.get_element_type().to_string());
Console.WriteLine("Input tensor shape: {0}", input_tensor.get_shape().to_string());
Console.WriteLine("Input tensor size: {0}", input_tensor.get_size());

 

向右滑动查看完整代码

获取输出结果为：

 

/------- [Input tensor] -------/
Input tensor type: f32
Input tensor shape: Shape : {1, 3, 224, 224}
Input tensor size: 150528

 

向右滑动查看完整代码

对于上述的同样输出内容，我们也可以通过 C++ API 实现，C++ 代码如下：

 

ov::Tensor input_tensor = infer_request.get_input_tensor();
std::cout << "/------- [Input tensor] -------/" << std::endl;
std::cout << "Input tensor type: " << input_tensor.get_element_type().c_type_string() << std::endl;
std::cout << "Input tensor shape: " << input_tensor.get_shape().to_string() << std::endl;
std::cout << "Input tensor size: " << input_tensor.get_size() << std::endl;

 

向右滑动查看完整代码

1.7.2   添加推理数据

这一步主要是将处理好的图片数据加载到 Tensor 数据内存中，OpenVINO 的 API 中提供了访问内存地址的接口，可以获取数据内存首地址，不过为了更好的加载推理数据，我们此处封装了 set_data() 方法，可以实现将处理后的图片数据加载到数据内存上。在 C# 中的代码为：

 

Mat input_mat = new Mat();
Shape input_shape = input_tensor.get_shape();
long channels = input_shape[1];
long height = input_shape[2];
long width = input_shape[3];
float[] input_data = new float[channels * height * width];
Marshal.Copy(input_mat.Ptr(0), input_data, 0, input_data.Length);
input_tensor.set_data(input_data);

 

向右滑动查看完整代码

下面是在 C++ 中实现上述功能的代码：

 

cv::Mat input_mat；
float* input_data = input_tensor.data();
ov::Shape input_shape = input_tensor.get_shape();
size_t channels = input_shape[1];
size_t height = input_shape[2];
size_t width = input_shape[3];
for (size_t c = 0; c < channels; ++c) {
    for (size_t h = 0; h < height; ++h) {
        for (size_t w = 0; w < width; ++w) {
            input_data[c * height * width + h * width + w] = input_mat.at>(h, w)[c];
        }
    }
}

 

向右滑动查看完整代码

1.8模型推理

在加载完推理数据后，就可以调用模型推理的 API 方法推理当前数据，主要使用到的 API 方法为：

API	作用
InferRequest.infer()	在同步模式下推断指定的输入。

调用该方法也较为简单，只需要调用该 API 接口即可，在 C# 中的代码为：

 

infer_request.infer();

 

向右滑动查看完整代码

C++ 中的代码与 C++ 中一致。

1.9获取推理结果

对于单输出的模型可以直接通过 get_output_tensor() 方法获得，并调用 Tensor 的相关方法获取 Tensor 的相关信息，C# 代码如下所示：

 

Tensor output_tensor = infer_request.get_output_tensor();
Console.WriteLine("/------- [Output tensor] -------/");
Console.WriteLine("Output tensor type: {0}", output_tensor.get_element_type().to_string());
Console.WriteLine("Output tensor shape: {0}", output_tensor.get_shape().to_string());
Console.WriteLine("Output tensor size: {0}", output_tensor.get_size());

 

向右滑动查看完整代码

获取输出 output_tensor 信息为：

 

/------- [Output tensor] -------/
Output tensor type: f32
Output tensor shape: Shape : {1, 1000}
Output tensor size: 1000

 

向右滑动查看完整代码

对于输出 Tensor，我们只需要读取输出内存上的数据即可，此处我们封装了 get_data() 方法，可以直接获取输出内存上的数据，在 C# 中的代码为：

 

float[] result = output_tensor.get_data(1000);

 

向右滑动查看完整代码

同样获取推理结果，在 C++ 中的代码为：

 

const float* output_data = output_tensor.data();
float result[1000];
for (int i = 0; i < 1000; ++i) {
result[i] = *output_data;
output_data++;
}

 

向右滑动查看完整代码

在获取结果后，后续的处理需要根据模型的输出类型做相应的处理。

1.10释放分配的内存

由于 C# 在封装时采用的 C API 接口实现的，因此在 C# 中会产生较多的非托管内存，若该对象出现循环重复创建，会导致过多的内存未释放导致内存泄漏，因此对于临时创建的对象在使用后要即使销毁，销毁方式也较为简单，只需要调用对象的 dispose() 方法即可。

 

output_tensor.dispose();
input_shape.dispose();
infer_request.dispose();
compiled_model.dispose();
input.dispose();
output.dispose();
model.dispose();
core.dispose();

 

1.11 Yolov8 分类模型示例

下面代码展示了 Yolov8 分类模型使用 OpenVINOSharp API 方法部署模型的完整代码：

 

using OpenCvSharp;
using OpenCvSharp.Dnn;
using OpenVinoSharp;
using System.Data;
using System.Runtime.InteropServices;


namespace test_openvinosharp_api
{
    internal class Program
    {
        static void Main(string[] args)
        {
            string model_path = "E:\GitSpace\OpenVinoSharp\model\yolov8\yolov8s-cls.xml";
            Core core = new Core(); // 初始化推理核心
            Model model = core.read_model(model_path); // 读取本地模型
            CompiledModel compiled_model = core.compile_model(model, "AUTO"); // 便哟模型到指定设备


            // 获取模型的输入输出信息
            Console.WriteLine("Model name: {0}", model.get_friendly_name());
            Input input = compiled_model.input();
            Console.WriteLine("/------- [In] -------/");
            Console.WriteLine("Input name: {0}", input.get_any_name());
            Console.WriteLine("Input type: {0}", input.get_element_type().to_string());
            Console.WriteLine("Input shape: {0}", input.get_shape().to_string());
            Output output = compiled_model.output();
            Console.WriteLine("/------- [Out] -------/");
            Console.WriteLine("Output name: {0}", output.get_any_name());
            Console.WriteLine("Output type: {0}", output.get_element_type().to_string());
            Console.WriteLine("Output shape: {0}", output.get_shape().to_string());
            // 创建推理请求
            InferRequest infer_request = compiled_model.create_infer_request();
            // 获取输入张量
            Tensor input_tensor = infer_request.get_input_tensor();
            Console.WriteLine("/------- [Input tensor] -------/");
            Console.WriteLine("Input tensor type: {0}", input_tensor.get_element_type().to_string());
            Console.WriteLine("Input tensor shape: {0}", input_tensor.get_shape().to_string());
            Console.WriteLine("Input tensor size: {0}", input_tensor.get_size());
            // 读取并处理输入数据
            Mat image = Cv2.ImRead(@"E:GitSpaceOpenVinoSharpdatasetimagedemo_7.jpg");
            Mat input_mat = new Mat();
            input_mat = CvDnn.BlobFromImage(image, 1.0 / 255.0, new Size(224, 224), 0, true, false);
            // 加载推理数据
            Shape input_shape = input_tensor.get_shape();
            long channels = input_shape[1];
            long height = input_shape[2];
            long width = input_shape[3];
            float[] input_data = new float[channels * height * width];
            Marshal.Copy(input_mat.Ptr(0), input_data, 0, input_data.Length);
            input_tensor.set_data(input_data);
            // 模型推理
            infer_request.infer(); 
            // 获取输出张量
            Tensor output_tensor = infer_request.get_output_tensor();
            Console.WriteLine("/------- [Output tensor] -------/");
            Console.WriteLine("Output tensor type: {0}", output_tensor.get_element_type().to_string());
            Console.WriteLine("Output tensor shape: {0}", output_tensor.get_shape().to_string());
            Console.WriteLine("Output tensor size: {0}", output_tensor.get_size());
            // 获取输出数据
            float[] result = output_tensor.get_data(1000);
            List new_list = new List { };
            for (int i = 0; i < result.Length; i++)
            {
                new_list.Add(new float[] { (float)result[i], i });
            }
            new_list.Sort((a, b) => b[0].CompareTo(a[0]));


            KeyValuePair[] cls = new KeyValuePair[10];
            for (int i = 0; i < 10; ++i)
            {
                cls[i] = new KeyValuePair((int)new_list[i][1], new_list[i][0]);
            }
            Console.WriteLine("
 Classification Top 10 result : 
");
            Console.WriteLine("classid probability");
            Console.WriteLine("------- -----------");
            for (int i = 0; i < 10; ++i)
            {
                Console.WriteLine("{0}     {1}", cls[i].Key.ToString("0"), cls[i].Value.ToString("0.000000"));
            }
            // 销毁非托管内存
            output_tensor.dispose();
            input_shape.dispose();
            infer_request.dispose();
            compiled_model.dispose();
            input.dispose();
            output.dispose();
            model.dispose();
            core.dispose();


        }
    }
}

 

向右滑动查看完整代码

1.12总结

在本文中我们基于模型推理流程，演示了 OpenVINOSharp API 使用方法，并和 OpenVINO C++API 进行了对比，展示了 OpenVINOSharp API 与 C++API 在使用的区别，这也对使用过 C++ API 的开发者十分友好，上手会十分容易。

在本文中我们只展示了基础的模型推理流程代码，也对各个 API 进行了测试，针对其他比较高级的 API 方法，我们后续会继续进行测试其他 API 方法，向各位开发者展示其用法。

总的来说，目前 OpenVINOSharp 已经完全支持在 Windows 环境下的安装使用，欢迎各位开发者安装使用，如有相关问题或优化方法，也欢迎大家提出意见与指导。

　　审核编辑：汤梓红