在利用OpenVINO在英特爾處理器上實現(xiàn)1000+ FPS性能

！作為目標檢測領域著名的模型家族，you only look once (YOLO) 推 出新模型的速度可謂是越來越快。

就在剛剛過去的1月份，YOLO又推出了最新的YOLOv8模型，其模型結構和架構上的創(chuàng)新以及所提供的性能提升，使得它剛剛面世，就獲得了廣大開發(fā)者的關注。

YOLOv8的性能到底怎么樣？如果說利用OpenVINO的量化和加速，利用英特爾CPU、集成顯卡以及獨立顯卡與同一代碼庫無縫協(xié)作，可以獲得1000+ FPS的性能，你相信嗎？

那不妨繼續(xù)往下看，我們將手把手的教你在利用OpenVINO在英特爾處理器上實現(xiàn)這一性能。



| 圖1. YOLOv8推理結果示例 好的，讓我們開始吧。 注意：以下步驟中的所有代碼來自OpenVINO Notebooks開源倉庫中的230-yolov8-optimization notebook 代碼示例。

01安裝相應工具包及加載模型

本次代碼示例我們使用的是Ultralytics YOLOv8模型，因此需要首先安裝相應工具包。

1.!pipinstall"ultralytics==8.0.5"

然后下載及加載相應的PyTorch模型。

1.fromultralyticsimportYOLO

2.

3.MODEL_NAME="yolov8n"

4.

5.model=YOLO(f'{MODEL_NAME}.pt')

6.

7.label_map=model.model.names

定義測試圖片的地址，獲得原始PyTorch模型的推理結果：

1.IMAGE_PATH="../data/image/coco_bike.jpg"

2.results=model(IMAGE_PATH,return_outputs=True)

其運行效果如下

?

為將目標檢測的效果以可視化的形式呈現(xiàn)出來，需要定義相應的函數，最終運行效果如下圖所示：

?

02將模型轉換為OpenVINOIR格式

為獲得良好的模型推理加速，并更方便的部署在不同的硬件平臺上，接下來我們首先將YOLO v8模型轉換為OpenVINO IR模型格式。

YOLOv8提供了用于將模型導出到不同格式（包括OpenVINO IR格式）的API。

model.export負責模型轉換。

我們需要在這里指定格式，此外，我們還可以在模型中保留動態(tài)輸入。

1.frompathlibimportPath

2.

3.model_path=Path(f"{MODEL_NAME}_openvino_model/{MODEL_NAME}.xml")

4.ifnotmodel_path.exists():

5.model.export(format="openvino",dynamic=True,half=False)

接下來我們來測試一下轉換后模型的準確度如何。運行以下代碼，并定義相應的前處理、后處理函數。

1.fromopenvino.runtimeimportCore,Model

2.

3.core=Core()

4.ov_model=core.read_model(model_path)

5.device="CPU"#GPU

6.ifdevice!="CPU":

7.ov_model.reshape({0:[1,3,640,640]})

8.compiled_model=core.compile_model(ov_model,device)

在單張測試圖片上進行推理，可以得到如下推理結果：

? ?

03在數據集上驗證模型準確度

YOLOv8是在COCO數據集上進行預訓練的，因此為了評估模型的準確性，我們需要下載該數據集。

根據YOLOv8 GitHub倉庫中提供的說明，我們還需要下載模型作者使用的格式的標注，以便與原始模型評估功能一起使用。

1.importsys

2.fromzipfileimportZipFile

3.

4.sys.path.append("../utils")

5.fromnotebook_utilsimportdownload_file

6.

7.DATA_URL="http://images.cocodataset.org/zips/val2017.zip"

8.LABELS_URL="https://github.com/ultralytics/yolov5/releases/download/v1.0/coco2017labels-segments.zip"

9.

10.OUT_DIR=Path('./datasets')

11.

12.download_file(DATA_URL,directory=OUT_DIR,show_progress=True)

13.download_file(LABELS_URL,directory=OUT_DIR,show_progress=True)

14.

15.ifnot(OUT_DIR/"coco/labels").exists():

16.withZipFile(OUT_DIR/'coco2017labels-segments.zip',"r")aszip_ref:

17.zip_ref.extractall(OUT_DIR)

18.withZipFile(OUT_DIR/'val2017.zip',"r")aszip_ref:

19.zip_ref.extractall(OUT_DIR/'coco/images')

接下來，我們配置DetectionValidator并創(chuàng)建DataLoader。原始模型存儲庫使用DetectionValidator包裝器，它表示精度驗證的過程。

它創(chuàng)建DataLoader和評估標準，并更新DataLoader生成的每個數據批的度量標準。

此外，它還負責數據預處理和結果后處理。對于類初始化，應提供配置。

我們將使用默認設置，但可以用一些參數替代，以測試自定義數據，代碼如下。

1.fromultralytics.yolo.utilsimportDEFAULT_CONFIG

2.fromultralytics.yolo.configsimportget_config

3.args=get_config(config=DEFAULT_CONFIG)

4.args.data="coco.yml"

1.validator=model.ValidatorClass(args)

2.

3.data_loader=validator.get_dataloader("datasets/coco",1)

Validator配置代碼如下：

1.fromtqdm.notebookimporttqdm

2.fromultralytics.yolo.utils.metricsimportConfusionMatrix

3.

4.validator.is_coco=True

5.validator.class_map=ops.coco80_to_coco91_class()

6.validator.names=model.model.names

7.validator.metrics.names=validator.names

8.validator.nc=model.model.model[-1].nc

定義驗證函數，以及打印相應測試結果的函數，結果如下： ?

04利用NNCFPOT量化API進行模型優(yōu)化

Neural network compression framework (NNCF) 為OpenVINO中的神經網絡推理優(yōu)化提供了一套先進的算法，精度下降最小。

我們將在后訓練（Post-training）模式中使用8位量化（無需微調）來優(yōu)化YOLOv8。

優(yōu)化過程包括以下三個步驟：

1）建立量化數據集Dataset;

2）運行nncf.quantize來得到優(yōu)化模型

3）使用串行化函數openvino.runtime.serialize來得到OpenVINO IR模型。

建立量化數據集代碼如下：

1.importnncf#noqa:F811

2.fromtypingimportDict

3.

4.

5.deftransform_fn(data_item

6."""

7.Quantizationtransformfunction.Extractsandpreprocessinputdatafromdataloaderitemforquantization.

8.Parameters:

9.data_item:DictwithdataitemproducedbyDataLoaderduringiteration

10.Returns:

11.input_tensor:Inputdataforquantization

12."""

13.input_tensor=validator.preprocess(data_item)['img'].numpy()

14.returninput_tensor

15.

16.

17.quantization_dataset=nncf.Dataset(data_loader,transform_fn)

運行nncf.quantize代碼如下：

1.quantized_model=nncf.quantize(

2.ov_model,

3.quantization_dataset,

4.preset=nncf.QuantizationPreset.MIXED,

5.ignored_scope=nncf.IgnoredScope(

6.types=["Multiply","Subtract","Sigmoid"],#ignoreoperations

7.names=["/model.22/dfl/conv/Conv",#inthepost-processingsubgraph

8."/model.22/Add",

9."/model.22/Add_1",

10."/model.22/Add_2",

11."/model.22/Add_3",

12."/model.22/Add_4",

13."/model.22/Add_5",

14."/model.22/Add_6",

15."/model.22/Add_7",

16."/model.22/Add_8",

17."/model.22/Add_9",

18."/model.22/Add_10"]

19.))

最終串行化函數代碼如下：

1.fromopenvino.runtimeimportserialize

2.int8_model_path=Path(f'{MODEL_NAME}_openvino_int8_model/{MODEL_NAME}.xml')

3.print(f"Quantizedmodelwillbesavedto{int8_model_path}")

4.serialize(quantized_model,str(int8_model_path))

運行后得到的優(yōu)化的YOLOv8模型保存在以下路徑：

yolov8n_openvino_int8_model/yolov8n.xml

接下來，運行以下代碼在單張測試圖片上驗證優(yōu)化模型的推理結果：

1.ifdevice!="CPU":

2.quantized_model.reshape({0,[1,3,640,640]})

3.quantized_compiled_model=core.compile_model(quantized_model,device)

4.input_image=np.array(Image.open(IMAGE_PATH))

5.detections=detect(input_image,quantized_compiled_model)[0]

6.image_with_boxes=draw_boxes(detections,input_image)

7.

8.Image.fromarray(image_with_boxes)

運行結果如下：

?

驗證下優(yōu)化后模型的精度，運行如下代碼：

1.print("FP32modelaccuracy")

2.print_stats(fp_stats,validator.seen,validator.nt_per_class.sum())

3.

4.print("INT8modelaccuracy")

5.print_stats(int8_stats,validator.seen,validator.nt_per_class.sum())

得到結果如下：

?

可以看到模型精度相較于優(yōu)化前，并沒有明顯的下降。

05比較優(yōu)化前后模型的性能

接著，我們利用OpenVINO 基線測試工具https://docs.openvino.ai/latest/openvino_inference_engine_tools_benchmark_tool_README.html 來比較優(yōu)化前（FP32）和優(yōu)化后（INT8）模型的性能。

在這里，我們分別在英特爾至強第三代處理器（Xeon Ice Lake Gold Intel 6348 2.6 GHz 42 MB 235W 28 cores）上運行CPU端的性能比較。

針對優(yōu)化前模型的測試代碼和運行結果如下：

1.#InferenceFP32model(OpenVINOIR)

2.!benchmark_app-m$model_path-dCPU-apiasync-shape"[1,3,640,640]"

FP32模型性能：

?

INT8模型性能：



已經達到了1400+ FPS! 在英特爾獨立顯卡上的性能又如何呢？我們在Arc A770m上測試效果如下：

?

也超過了1000 FPS！

需要注意的是要想獲得如此的高性能，需要將推理運行在吞吐量模式下，并使用多流和多個推理請求（即并行運行多個）。

同樣，仍然需要確保對預處理和后處理管道進行微調，以確保沒有性能瓶頸。

06利用網絡攝像頭運行實時測試

除了基線測試工具外，如果你想利用自己的網絡攝像頭，體驗一下實時推理的效果，可以運行我們提供的實時運行目標檢測函數：

1.run_object_detection(source=0,flip=True,use_popup=False,model=ov_model,device="AUTO")

獲得類似如下圖的效果：

?

07進一步提升性能的小技巧

非同步推理流水線

在進行目標檢測的推理時，推理性能常常會因為數據輸入量的限制而受到影響。此時，采用異步推理的模型，可以進一步提升推理的性能。異步API的主要優(yōu)點是，當設備忙于推理時，應用程序可以并行執(zhí)行其他任務（例如填充輸入或調度其他請求），而不是等待當前推理首先完成。

使用預處理API

預處理API允許將預處理作為模型的一部分，從而減少應用程序代碼和對其他圖像處理庫的依賴。預處理API的主要優(yōu)點是將預處理步驟集成到執(zhí)行圖中，并將在選定的設備（CPU/GPU/VPU/等）上執(zhí)行，而不是作為應用程序的一部分始終在CPU上執(zhí)行。這將提高所選設備的利用率。

對于本次YOLOv8示例來說，預處理API的使用包含以下幾個步驟：

1.初始化PrePostProcessing對象

20.fromopenvino.preprocessimportPrePostProcessor

21.

22.ppp=PrePostProcessor(quantized_model)

2.定義輸入數據格式

1.fromopenvino.runtimeimportType,Layout

2.

3.ppp.input(0).tensor().set_shape([1,640,640,3]).set_element_type(Type.u8).set_layout(Layout('NHWC'))

4.pass

3.描述預處理步驟 預處理步驟主要包括以下三步： ·將數據類型從U8轉換為FP32 ·將數據布局從NHWC轉換為NCHW格式 ·通過按比例因子255進行除法來歸一化每個像素

代碼如下：

1.ppp.input(0).preprocess().convert_element_type(Type.f32).convert_layout(Layout('NCHW')).scale([255.,255.,255.])

2.

3.print(ppp)

4.將步驟集成到模型中

1.quantized_model_with_preprocess=ppp.build()

2.serialize(quantized_model_with_preprocess,str(int8_model_path.with_name(f"{MODEL_NAME}_with_preprocess.xml")))

具有集成預處理的模型已準備好加載到設備?，F(xiàn)在，我們可以跳過檢測函數中的這些預處理步驟，直接運行如下推理：

1.defdetect_without_preprocess(image:np.ndarray,model

2."""

3.OpenVINOYOLOv8modelwithintegratedpreprocessinginferencefunction.Preprocessimage,runsmodelinferenceandpostprocessresultsusingNMS.

4.Parameters:

5.image(np.ndarray):inputimage.

6.model(Model):OpenVINOcompiledmodel.

7.Returns:

8.detections(np.ndarray):detectedboxesinformat[x1,y1,x2,y2,score,label]

9."""

10.output_layer=model.output(0)

11.img=letterbox(image)[0]

12.input_tensor=np.expand_dims(img,0)

13.input_hw=img.shape[:2]

14.result=model(input_tensor)[output_layer]

15.detections=postprocess(result,input_hw,image)

16.returndetections

17.

18.

19.compiled_model=core.compile_model(quantized_model_with_preprocess,device)

20.input_image=np.array(Image.open(IMAGE_PATH))

21.detections=detect_without_preprocess(input_image,compiled_model)[0]

22.image_with_boxes=draw_boxes(detections,input_image)

23.

24.Image.fromarray(img_with_boxes)

小 結

整個的步驟就是這樣！現(xiàn)在就開始跟著我們提供的代碼和步驟，動手試試用Open VINO優(yōu)化和加速YOLOv8吧。

審核編輯：劉清