本文介绍了一种使用c++实现的，使用OpenVINO部署yolov5的方法。此方法在2020年9月结束的极市开发者榜单中取得后厨老鼠识别赛题第四名。2020年12月，注意到yolov5有了许多变化，对部署流程重新进行了测试，并进行了整理。希望能给需要的朋友一些参考,节省一些踩坑的时间。
项目地址见文章末尾
1、模型训练
1.1 获取yolov5工程
git clone https://github.com/ultralytics/yolov5.gityolov5训练获得的原始的模型以.pt文件方式存储，要转换为OpenVINO的.xml和.bin的模型存储方式，需要经历两次转换。
两次转换所用到的工具无法同时支持nn.Hardswish()函数的转换，v3.0版本时需要切换到v2.0版本替换掉nn.Hardswish()函数才能够完成两次模型转换，当时要完成模型转换非常的麻烦。
在v3.1版本的yolov5中用于进行pt模型转onnx模型的程序对nn.Hardswish()进行了兼容，模型转换过程大为化简。
1.2 训练准备
训练过程可参考YOLOv5官方提供的指南
# yolov5官方的指南
https://github.com/ultralytics/yolov5/wiki/Train-Custom-Data1.2.1 描述信息准备
在yolov5的文件夹下/yolov5/models/目录下可以找到以下文件：
- yolov5s.yaml
- yolov5m.yaml
- yolov5l.yaml
这三个文件分别对应s(小尺寸模型)，ｍ(中尺寸模型)和l(大尺寸模型)的结构描述信息。为了实现自己的训练常常需要更改以下两个参数：nc和anchors。
- nc：需要识别的类别数量，yolov5原始的默认类别数量为80。
- anchors：通过kmeans等算法根据自己的数据集得出合适的锚框。这里需要注意，yolov5内部实现了锚框的自动计算训练过程默认使用自适应锚框计算。经过实际测试，自己通过kmeans算法得到的锚框在特定数据集上能取得更好的性能。
1.2.2 数据准备
参考官方指南的Create Labels和Organize Directories两个部分的数据要求。注意标注格式是class、x_center、y_center、width、height，其中x_center、y_center、width、 height均是根据图像尺寸归一化的0到1之间的数值。
1.3 执行训练
python ~/src_repo/yolov5/train.py --batch 16 --epochs 10 --data ~/src_repo/rat.yaml --cfg ~/src_repo/yolov5/models/yolov5s.yaml --weights ""其中：
- --data：参数后面需要填充的是训练数据的说明文件。其中需要说明训练集，测试集，种类数目和种类名称等信息，具体格式可以参考yolov5/data/coco.yaml
- --cfg：为在训练准备阶段完成的模型结构描述文件
- --weights：后面跟预训练模型的路径，如果是""则重新训练一个模型。.推荐使用预训练模型继续训练,不使用该参数则默认使用预训练模型
- --noautoanchor：该参数可选，使用该参数则禁止自适应anchor计算，使用--cfg文件中提供的原始锚框
2、模型转换
经过训练，模型的原始存储格式为.pt格式，为了实现OpenVINO部署，需要首先转换为.onnx的存储格式，之后再转化为OpenVINO需要的.xml和.bin的存储格式。
2.1 pt格式转onnx格式
这一步的转换主要由yolov5/models/export.py脚本实现。
可以参考yolov5提供的简单教程：
https://github.com/ultralytics/yolov5/issues/251使用该教程中的方法可以获取onnx模型，但直接按照官方方式获取的onnx模型其中存在OpenVINO模型转换中不支持的运算。因此，使用该脚本之前需要进行一些更改：
- opset_version
在/yolov5/models/export.py中
torch.onnx.export(model, img, f, verbose=False, opset_version=12, input_names=['images'],
output_names=['classes', 'boxes'] if y is None else ['output'])opset_version=12，将导致后面的OpenVINO模型装换时遇到未支持的运算。因此设置为opset_version=10。
- Detect layer export
model.model[-1].export = True设置为True则Detect层(包含nms，锚框计算等)不会输出到模型中。
设置为False包含Detect层的模型无法通过onnx到OpenVINO格式模型的转换。
需要执行如下指令:
python ./models/export.py --weight .pt文件路径 --img 640 --batch 1需要注意的是在填入的.pt文件路径不存在时，该程序会自动下载官方预训练的模型作为转换的原始模型，转换完成则获得onnx格式的模型。
转换完成后可以使用Netron:https://github.com/lutzroeder/netron.git 进行可视化。对于陌生的模型，该可视化工具对模型结构的认识有很大的帮助。
2.2 onnx格式转换OpenVINO的xml和bin格式
OpenVINO是一个功能丰富的跨平台边缘加速工具箱，本文用到了其中的模型优化工具和推理引擎两部分内容。
OpenVINO的安装配置可以参考：
https://docs.openvinotoolkit.org/2019_R2/_docs_install_guides_installing_openvino_linux.html本文的所有实现基于2020.4版本，为确保可用，建议下载2020.4版本的OpenVINO。
安装完成后在~/.bashrc文件中添加如下内容，用于在终端启动时配置环境变量。
source /opt/intel/openvino/bin/setupvars.sh
source /opt/intel/openvino/opencv/setupvars.sh安装完成后运行如下脚本实现onnx模型到xml bin模型的转换。
python /opt/intel/openvino/deployment_tools/model_optimizer/mo_onnx.py --input_model .onnx文件路径 --output_dir 期望模型输出的路径运行成功之后会获得.xml和.bin文件，xml和bin是OpenVINO中的模型存储方式，后续将基于bin和xml文件进行部署。该模型转换工具还有定点化等模型优化功能，有兴趣可以自己试试。
3、使用OpenVINO进行推理部署
OpenVINO除了模型优化工具外,还提供了一套运行时推理引擎.
想使用OpenVINO的模型进行推理部署,有两种方式,第一种方式是使用OpenVINO原生的sdk,另外一种方式是使用支持OpenVINO的opencv(比如OpenVINO自带的opencv)进行部署,本文对原生sdk的部署方式进行介绍.
OpenVINO提供了相对丰富的例程,本文中实现的yolov5的部署参考了/opt/intel/openvino/deployment_tools/inference_engine/demos/object_detection_demo_yolov3_async文件夹中yolov3的实现方式.
3.1 推理引擎的初始化
首先需要进行推理引擎的初始化，此部分代码封装在detector.cpp的init函数。
主要流程如下：
Core ie;
//读入xml文件,该函数会在xml文件的目录下自动读取相应的bin文件,无需手动指定
auto cnnNetwork = ie.ReadNetwork(_xml_path);
//从模型中获取输入数据的格式信息
InputsDataMap inputInfo(cnnNetwork.getInputsInfo());
InputInfo::Ptr& input = inputInfo.begin()->second;
_input_name = inputInfo.begin()->first;
input->setPrecision(Precision::FP32);
input->getInputData()->setLayout(Layout::NCHW);
ICNNNetwork::InputShapes inputShapes = cnnNetwork.getInputShapes();
SizeVector& inSizeVector = inputShapes.begin()->second;
cnnNetwork.reshape(inputShapes);
//从模型中获取推断结果的格式
_outputinfo = OutputsDataMap(cnnNetwork.getOutputsInfo());
for (auto &output : _outputinfo) {
output.second->setPrecision(Precision::FP32);
}
// 获取可执行网络,这里的CPU指的是推断运行的器件,可选的还有"GPU",这里的
// GPU指的是intel芯片内部的核显 //配置好核显所需的GPU运行环境,使用GPU
// 模式进行的推理速度上有很大提升,这里先拿CPU部署后面会提到GPU环境的配
// 置方式
_network = ie.LoadNetwork(cnnNetwork, "CPU");3.2 数据准备
为了适配网络的输入数据格式要求，需要对原始的opencv读取的Mat数据进行预处理.
- resize
最简单的方式是将输入图像直接resize到640*640尺寸，此种方式会造成部分物体失真变形，识别准确率会受到部分影响。简单起见，在demo代码里使用了该方式.
在竞赛代码中，为了追求正确率，图像缩放的时候需要按图像原始比例将图像的长或宽缩放到640。假设长被放大到640，宽按照长的变换比例无法达到640，则在图像的两边填充黑边确保输入图像总尺寸为640*640。竞赛代码中使用了该种缩放方式。需要注意的是如果使用该种缩放方式，在获取结果时需要将结果转换为在原始图像中的坐标.
- 颜色通道转换
鉴于opencv和pytorch的颜色通道差异，opencv是BGR通道，pytorch是RGB，在输入网络之前，需要进行通道转换。
- 推断请求和blob填充
InferRequest::Ptr infer_request = _network.CreateInferRequestPtr();
Blob::Ptr frameBlob = infer_request->GetBlob(_input_name);
InferenceEngine::LockedMemory<void> blobMapped = InferenceEngine::as<InferenceEngine::MemoryBlob>(frameBlob)->wmap();
float* blob_data = blobMapped.as<float*>();
// nchw
for(size_t row =0;row<640;row++){
for(size_t col=0;col<640;col++){
for(size_t ch =0;ch<3;ch++){
//将图像转换为浮点型填入模型
blob_data[img_size*ch + row*640 + col] = float(inframe.at<Vec3b>(row,col)[ch])/255.0f;
}
}
}3.3 推断执行与解析
- 推断执行：
infer_request->Infer();- 获取推断结果：
从Netron的可视化结果可知，
网络只包含到输出三个检测头的部分，三个检测头分别对应80,40,和20的栅格尺寸。因此需要对三种尺寸的检测头输出结果依次解析，具体的解析过程在parse_yolov5函数中进行了实现：
//获取各层结果
vector<Rect> origin_rect; //保存原始的框信息
vector<float> origin_rect_cof; //保存框对应的置信度信息
int s[3] = {80,40,20};
int i=0;
for (auto &output : _outputinfo) {
auto output_name = output.first;
Blob::Ptr blob = infer_request->GetBlob(output_name);
parse_yolov5(blob,s[i],_cof_threshold,origin_rect,origin_rect_cof);
++i;
}- 对检测头的内容进行解析：
这部分主要是使用c++将yolov5代码中的detect层内容重新实现一下,主要代码实现如下:
//注意此处的阈值是框和物体prob乘积的阈值
bool Detector::parse_yolov5(const Blob::Ptr &blob,int net_grid,float cof_threshold,
vector<Rect>& o_rect,vector<float>& o_rect_cof){
vector<int> anchors = get_anchors(net_grid);
LockedMemory<const void> blobMapped = as<MemoryBlob>(blob)->rmap();
const float *output_blob = blobMapped.as<float *>();
//80个类是85,一个类是6,n个类是n+5
int item_size = 85;
size_t anchor_n = 3;
for(int n=0;n<anchor_n;++n)
for(int i=0;i<net_grid;++i)
for(int j=0;j<net_grid;++j)
{
double box_prob = output_blob[n*net_grid*net_grid*item_size + i*net_grid*item_size + j *item_size+ 4];
box_prob = sigmoid(box_prob);
//框置信度不满足则整体置信度不满足
if(box_prob < cof_threshold)
continue;
//注意此处输出为中心点坐标,需要转化为角点坐标
double x = output_blob[n*net_grid*net_grid*item_size + i*net_grid*item_size + j*item_size + 0];
double y = output_blob[n*net_grid*net_grid*item_size + i*net_grid*item_size + j*item_size + 1];
double w = output_blob[n*net_grid*net_grid*item_size + i*net_grid*item_size + j*item_size + 2];
double h = output_blob[n*net_grid*net_grid*item_size + i*net_grid*item_size + j *item_size+ 3];
double max_prob = 0;
int idx=0;
for(int t=5;t<85;++t){
double tp= output_blob[n*net_grid*net_grid*item_size + i*net_grid*item_size + j *item_size+ t];
tp = sigmoid(tp);
if(tp > max_prob){
max_prob = tp;
idx = t;
}
}
float cof = box_prob * max_prob;
//对于边框置信度小于阈值的边框,不关心其他数值,不进行计算减少计算量
if(cof < cof_threshold)
continue;
x = (sigmoid(x)*2 - 0.5 + j)*640.0f/net_grid;
y = (sigmoid(y)*2 - 0.5 + i)*640.0f/net_grid;
w = pow(sigmoid(w)*2,2) * anchors[n*2];
h = pow(sigmoid(h)*2,2) * anchors[n*2 + 1];
double r_x = x - w/2;
double r_y = y - h/2;
Rect rect = Rect(round(r_x),round(r_y),round(w),round(h));
o_rect.push_back(rect);
o_rect_cof.push_back(cof);
}
if(o_rect.size() == 0) return false;
else return true;
}这一部分最艰难的是搞清楚输出数据的排列方式，一开始我也试了很多次，最后才得到了正确的输出。
需要注意的一点是，按照输出排列方式读取的数值不是最终我们需要的结果，需要进行一些计算来进行转换，转换的依据可以参考yolov5/models/yolo.py中forward函数的实现。
注意这里有一个参数cof_threshold，其计算方式是框置信度乘以物品置信度，如果识别效果不佳，则需要对该数值进行调整。
- NMS获取最终结果
经过以上步骤,原始的框信息存储在origin_rect变量中，还需要通过NMS去除同一个物体多余的框。
OpenVNIO自带的opencv提供了NMS的一种实现,因而直接进行调用。
vector<int> final_id;
dnn::NMSBoxes(origin_rect,origin_rect_cof,_cof_threshold,_nms_area_threshold,final_id);
//根据final_id获取最终结果
for(int i=0;i<final_id.size();++i){
Rect resize_rect= origin_rect[final_id[i]];
detected_objects.push_back(Object{
origin_rect_cof[final_id[i]],
"",resize_rect
});
}其中origin_rect为原始矩形，origin_rect_cof为矩形对应的置信度，_cof_threshold为置信度(框置信度乘以物品置信度)阈值，_nms_area_threshold是重叠百分比多少则算为一个物体的阈值，final_id为目标矩形在origin_rect中的下标。
3.4 性能测试
计时实现如下:
auto start = chrono::high_resolution_clock::now();
auto end = chrono::high_resolution_clock::now();
std::chrono::duration<double> diff = end - start;
cout<<"use "<<diff.count()<<" s" << endl;原始的未经优化的CPU运行的yolov5，推理时间在240ms左右，测试平台为intel corei7 6700hq。
检测结果如下：
4、推理加速
- 使用核显GPU进行计算
将：
_network = ie.LoadNetwork(cnnNetwork, "CPU");改为：
_network = ie.LoadNetwork(cnnNetwork, "GPU");如果OpenVINO环境配置设置无误程序应该可以直接运行.
检测环境是否配置无误的方法是运行：
/opt/intel/openvino/deployment_tools/demo中的./demo_security_barrier_camera.sh
若成功运行则cpu环境正常。
./demo_security_barrier_camera.sh -d GPU 运行正常则gpu环境运行正常.
- 使用openmp进行并行化
推理之外的数据预处理和解析中存在大量循环,这些循环都可以利用openmp进行并行优化。
- 模型优化如定点化为int8类型
在模型转换时通过设置参数可以实现模型的定点化。
5、项目地址
https://github.com/fb029ed/yolov5_cpp_openvino使用方法为依次执行：
cd ./demo
mkdir build
cd build
cmake ..
make
./detect_test