在英特尔独立显卡上部署YOLOv5 v7.0版实时实例分割模型

作者：英特尔物联网创新大使 贾志刚

本文将介绍在基于 OpenVINO 在英特尔独立显卡上部署 YOLOv5 实时实例分割模型的全流程，并提供完整范例代码供读者使用。

1.1YOLOv5 实时实例分割模型简介

YOLOv5 是 AI 开发者友好度最佳的框架之一，与其它YOLO 系列相比：

工程化水平好，工程应用时“坑”少

文档详实友好，易读易懂

既容易在用户的数据集上重训练又容易在不同的平台上进行部署

社区活跃度高(截至2022-11-27有33.2k GitHub 星, 287个贡献者)

项目演进速度快

默认支持 OpenVINO 部署

在典型行业（制造业、农业、医疗、交通等）有广泛应用。

2022年11月22日，YOLOv5 v7.0版正式发布，成为YOLO 系列中第一个支持实时实例分割（Real Time Instance Segmentation）的框架。从此，YOLOv5 框架不仅具有实时目标检测模型，还涵盖了图像分类和实例分割。

图片来源: https://github.com/ultralytics/yolov5/releases

与实时实例分割 SOTA 性能榜中的模型相比，YOLOv5 作者发布的 YOLOv5-Seg 模型数据，无论是精度还是速度，都领先于当前 SOTA 性能榜中的模型。

1.2英特尔消费级锐炫 A系列显卡简介

2022年英特尔发布了代号为 Alchemist 的第一代消费级锐炫桌面独立显卡，当前英特尔京东自营旗舰店里销售的主要型号为 A750 和 A770，其典型参数如下图所示。

OpenVINO 从2022.2版开始支持英特尔独立显卡，包括英特尔数据中心 GPUFlex 系列和英特尔锐炫系列。

1.3在英特尔独立显卡上部署

YOLOv5-seg 模型的完整流程

在英特尔独立显卡上部署 YOLOv5-seg 模型的完整流程主要有三步：

1搭建 YOLOv5 开发环境和 OpenVINO 部署环境

2运行模型优化器（Model Optimizer）优化并转换模型

3调用 OpenVINO Runtime API函数编写模型推理程序，完成模型部署

本文将按照上述三个步骤，依次详述。

1.3.1搭建 YOLOv5 开发环境和 OpenVINO 部署环境

最近的 YOLOv5 Github 代码仓，即 YOLOv5 v7.0，已经将 openvino-dev[onnx] 写入 requirement.txt 文件，当执行 pip install -r requirements.txt，会安装完 YOLOv5 开发环境和 OpenVINO部署环境。

git clone https://github.com/ultralytics/yolov5 # clonecd yolov5
cd yolov5
pip install -r requirements.txt

向右滑动查看完整代码

1.3.2验证 YOLOv5 开发环境和 OpenVINO部署环境

执行完上述命令后，运行命令

python segmentpredict.py --source dataimages

向右滑动查看完整代码

执行结果如下图所示，说明 YOLOv5 开发环境和OpenVINO 部署环境已搭建成功。

1.3.3导出 yolov5s-seg OpenVINO IR 模型

使用命令：

python export.py --weights yolov5s-seg.pt --include onnx

向右滑动查看完整代码

获得 yolov5s-seg ONNX 格式模型：yolov5s-seg.onnx

然后运行命令：

mo -m yolov5s-seg.onnx --data_type FP16

获得yolov5s-seg IR格式模型：yolov5s-seg.xml和yolov5s-seg.bin。

1.3.4用 Netron 工具查看 yolov5s-seg.onnx 模型的输入和输出

使用 Netron：https://netron.app/

查看 yolov5s-seg.onnx 模型的输入和输出，如下图所示：

从图中可以看出：yolov5s-seg 模型

✓ 输入节点名字：“images”；数据：float32[1,3,640,640]

✓ 输出节点1的名字：“output0”；数据：float32[1,25200,117]。

其中117的前85个字段跟 YOLOv5 定义完全一致，即检测框信息；后32个字段用于计算掩膜数据。

✓ 输出节点2的名字：“output1”；数据：float32[1,32,160,160]。output1 的输出与 output0 后32个字段做矩阵乘法后得到的数据，即为对应目标的掩膜数据。

1.3.5使用 OpenVINO Runtime API 编写 yolov5s-seg 推理程序

由于 yolov5s-seg 模型是在 YoLov5 模型的基础上增加了掩膜输出分支，所以图像数据的预处理部分跟 YoLov5 模型一模一样。

整个推理程序主要有五个关键步骤：

第一步：创建 Core 对象；

第二步：载入 yolov5s-seg 模型，并面向英特尔独立显卡编译模型

第三步：对图像数据进行预处理

第四步：执行 AI 推理计算

第五步：对推理结果进行后处理，并可视化处理结果。

整个代码框架如下所示：

# Step1: Create OpenVINO Runtime Core
core = Core()
# Step2: Compile the Model, using dGPU A770m
net = core.compile_model("yolov5s-seg.xml", "GPU.1")
output0, output1 = net.outputs[0],net.outputs[1]
b,n,input_h,input_w = net.inputs[0].shape # Get the shape of input node
# Step3: Preprocessing for YOLOv5-Seg
# ...
# Step 4: Do the inference
outputs = net([blob])
pred, proto = outputs[output0], outputs[output1]
# Step 5 Postprocess and Visualize the result
# ...

向右滑动查看完整代码

其中 YOLOv5-seg 的前处理跟 YOLOv5 一样，范例代码如下：

im, r, (dh, dw)= letterbox(frame, new_shape=(input_h,input_w)) # Resize to new shape by letterbox
im = im.transpose((2, 0, 1))[::-1] # HWC to CHW, BGR to RGB
im = np.ascontiguousarray(im) # contiguous
im = np.float32(im) / 255.0  # 0 - 255 to 0.0 - 1.0

向右滑动查看完整代码

由于 YOLOv5 系列模型的输入形状是正方形，当输入图片为长方形时，直接调用 OpenCV 的 resize 函数放缩图片会使图片失真，所以 YOLOv5 使用letterbox 方式，将图片以保持原始图片长宽比例的方式放缩，然后用灰色color=(114, 114, 114)填充边界，如下图所示。

Letterbox 放缩效果

https://github.com/ultralytics/yolov5/blob/master/utils/augmentations.py#L111

YOLOv5-seg 的后处理跟 YOLOv5 几乎一样，需要对推理结果先做非极大值抑制。本文直接使用了 YOLOv5 自带的 non_max_suppression() 函数来实现非极大值抑制，并拆解出检测框(bboxes), 置信度(conf)，类别(class_ids)和掩膜(masks)。关键代码如下：

from utils.general import non_max_suppression
pred = torch.tensor(pred)
pred = non_max_suppression(pred, nm=32)[0].numpy() #(n,38) tensor per image [xyxy, conf, cls, masks]
bboxes, confs, class_ids, masks= pred[:,:4], pred[:,4], pred[:,5], pred[:,6:]

向右滑动查看完整代码

yolov5seg_ov2022_sync_dgpu.py 运行结果如下图所示：

源代码链接：

https://gitee.com/ppov-nuc/yolov5_infer/blob/main/yolov5seg_ov2022_sync_dGPU.py

1.4结论

YOLOv5 的实时实例分割程序通过 OpenVINO 部署在英特尔独立显卡上，可以获得高速度与高精度。读者还可以将程序通过 OpenVINO异步 API 升级为异步推理程序或者用 OpenVINO C++ API 改写推理程序，这样可以获得更高的 AI 推理计算性能。

审核编辑：汤梓红