01
简介
《在英特尔开发者套件上用OpenVINO™加速YOLOv8-seg实例分割模型》介绍了在英特尔者开发套件上使用 OpenVINO™ 开发套件部署并测评 YOLOv8-Seg 的实例分割模型，本文将介绍在英特尔开发者套件上使用 OpenVINO™ 2023.0 加速 YOLOv8-Pose 姿态估计（Pose Estimation）模型。
请先下载本文的范例代码仓，并搭建好 YOLOv8 的OpenVINO™ 推理程序开发环境：
git clone
https://gitee.com/ppovnuc/yolov8_openvino.git
02
导出 YOLOv8-Pose 姿态估计 OpenVINO™ IR 模型
YOLOv8-Pose 的姿态估计模型有5种，在 COCO Keypoints 数据集完成训练，如下表所示。
COCO Keypoints 数据集请见：
http://cocodataset.org/
首先使用命令：
yolo export model=yolov8n-pose.pt format=onnx向右滑动查看完整代码
完成 yolov8n-pose.onnx 模型导出，如下图所示：
然后使用命令：
mo -m yolov8n-pose.onnx --compress_to_fp16向右滑动查看完整代码
优化并导出 FP16 精度的 OpenVINO™ IR 格式模型，如下图所示：
03
用 benchmark_app 测试 yolov8 姿态估计模型的推理计算性能
benchmark_app 是 OpenVINO™️ 工具套件自带的 AI 模型推理计算性能测试工具，可以指定在不同的计算设备上，在同步或异步模式下，测试出不带前后处理的纯 AI 模型推理计算性能。
使用命令：
benchmark_app -m yolov8n-pose.xml -d GPU向右滑动查看完整代码
获得 yolov8n-pose.xml 模型在英特尔开发者套件的集成显卡上的异步推理计算性能，如下图所示：
04
使用 OpenVINO™ Python API 编写 YOLOv8-Pose 姿态估计模型推理程序
用 Netron 打开 yolov8n-seg.onnx 可以看到模型的输入和输出：
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 [1,56,8400]，其中“8400”是指 YOLOv8 的3个检测头在 imgsz=640 时，有640/8=80,640/16=40,640/32=20,80x80+40x40+20x20=8400个输出单元格；“56”指 “Person” 类的中心坐标 cx,cy,w,h+“Person” 类的置信分数+“Person” 类的17个关键点([17,3]) = 56。
基于 OpenVINO™ Python API 的 YOLOv8 实例分割模型范例程序 yolov8_pose_ov_sync_infer_demo.py 的核心源代码，如下所示：
core = Core()net = core.compile_model(f'{MODEL_NAME}.xml', device_name="GPU")output_node = net.outputs[0]ir = net.create_infer_request()cap = cv2.VideoCapture("store-aisle-detection.mp4")while True:start = time.time()ret, frame = cap.read()if not ret:break[] = frame.shapelength = max((height, width))image = np.zeros((length, length, 3), np.uint8)image[0:height, 0:width] = framescale = length / 640blob = cv2.dnn.blobFromImage(image, scalefactor=1 / 255, size=(640, 640), swapRB=True)outputs = ir.infer(blob)[output_node]outputs = np.array([cv2.transpose(outputs[0])])rows = outputs.shape[1]boxes = []scores = []preds_kpts = []for i in range(rows):classes_scores = outputs[0][i][4]key_points = outputs[0][i][5:]if classes_scores >= 0.5:box = [outputs[0][i][0] - (0.5 * outputs[0][i][2]), outputs[0][i][1] - (0.5 * outputs[0][i][3]),outputs[0][i][2], outputs[0][i][3]]boxes.append(box)scores.append(classes_scores)preds_kpts.append(key_points)result_boxes = cv2.dnn.NMSBoxes(boxes, scores, 0.25, 0.45, 0.5)detections = []for i in range(len(result_boxes)):index = result_boxes[i]box = boxes[index]pred_kpts = preds_kpts[index]detection = {'class_id': 0,'class_name': 'person','confidence': scores[index],'box': box,'scale': scale}detections.append(detection)print(box[0] * scale, box[1] * scale, scale)draw_bounding_box(frame, 0, scores[index], round(box[0] * scale), round(box[1] * scale),round((box[0] + box[2]) * scale), round((box[1] + box[3]) * scale))draw_key_points(frame, pred_kpts, 0.2, scale)
向右滑动查看完整代码
运行结果，如下图所示：
05
结论
英特尔开发者套件借助 N5105 处理器的集成显卡（24个执行单元）和 OpenVINO™ 2023.0 ，可以在 YOLOv8-Pose 的姿态估计模型上获得相当不错的性能。通过异步处理和 AsyncInferQueue ，还能进一步提升计算设备的利用率，提高 AI 推理程序的吞吐量。
--END--
你也许想了解(点击蓝字查看)⬇️
➡️ OpenVINO™ DevCon 2023重磅回归！英特尔以创新产品激发开发者无限潜能
➡️ 5周年更新 | OpenVINO™ 2023.0，让AI部署和加速更容易
➡️ OpenVINO™5周年重头戏！2023.0版本持续升级AI部署和加速性能
➡️ OpenVINO™2023.0实战 | 在 LabVIEW 中部署 YOLOv8 目标检测模型
➡️ 开发者实战系列资源包来啦！
➡️
以AI作画，祝她节日快乐；简单三步，OpenVINO™ 助你轻松体验AIGC
➡️
还不知道如何用OpenVINO™作画？点击了解教程。
➡️
几行代码轻松实现对于PaddleOCR的实时推理，快来get！
➡️
使用OpenVINO 在“端—边—云”快速实现高性能人工智能推理
➡️
图片提取文字很神奇？试试三步实现OCR！
➡️
【Notebook系列第六期】基于Pytorch预训练模型，实现语义分割任务
➡️
使用OpenVINO™ 预处理API进一步提升YOLOv5推理性能
扫描下方二维码立即体验
OpenVINO™ 工具套件 2023.0
本文分享自微信公众号 - OpenVINO 中文社区（openvinodev）。
如有侵权，请联系 support@oschina.cn 删除。
本文参与“OSC源创计划”，欢迎正在阅读的你也加入，一起分享。
