开发者实战 | OpenVINO™ C# API部署YOLOv9目标检测和实例分割模型

04/11 20:00
阅读数 629

点击蓝字

关注我们,让开发变得更有趣

作者:颜国进

英特尔边缘计算创新大使




YOLOv9模型是YOLO系列实时目标检测算法中的最新版本,代表着该系列在准确性、速度和效率方面的又一次重大飞跃。它通过引入先进的深度学习技术和创新的架构设计,如通用ELAN(GELAN)和可编程梯度信息(PGI),显著提升了物体检测的性能。在本文中,我们将结合OpenVINO™ C# API使用最新发布的OpenVINO™ 2024.0部署YOLOv9目标检测和实例分割模型。


OpenVINO™ C# API项目链接:

https://github.com/guojin-yan/OpenVINO-CSharp-API.git


使用OpenVINO™ C# API部署YOLOv9全部源码:

https://github.com/guojin-yan/OpenVINO-CSharp-API-Samples/tree/master/model_samples/yolov9


1. 前言


1.1

OpenVINO™ C# API


英特尔发行版 OpenVINO™ 工具套件基于 oneAPI 而开发,可以加快高性能计算机视觉和深度学习视觉应用开发速度工具套件,适用于从边缘到云的各种英特尔平台上,帮助用户更快地将更准确的真实世界结果部署到生产系统中。通过简化的开发工作流程,OpenVINO™ 可赋能开发者在现实世界中部署高性能应用程序和算法。



2024年3月7日,英特尔发布了开源OpenVINO™ 2024.0工具包,用于在各种硬件上优化和部署人工智能推理。OpenVINO™是英特尔出色的开源AI工具包,不仅可以在x86_64 CPU上加速AI推断,还可以在ARM CPU和其他架构、英特尔集成显卡和独立显卡等硬件上加速AI推断,包括最近推出的NPU插件,用于利用新酷睿超 “Meteor Lake”系统芯片中的英特尔神经处理单元。OpenVINO™ 2024.0更注重生成式人工智能(GenAI),为TensorFlow句子编码模型提供了更好的开箱即用体验,支持专家混合(MoE)。同时还提高了LLM的INT4权重压缩质量,增强了LLM在英特尔CPU上的性能,简化了Hugging Face模型的优化和转换,并改进了其他Hugging Face集成。


OpenVINO™ C# API是一个OpenVINO™的.Net wrapper,应用最新的OpenVINO™库开发,通过OpenVINO™ C API实现.Net对OpenVINO™ Runtime调用,使用习惯与OpenVINO™ C++ API一致。OpenVINO™ C# API由于是基于OpenVINO™开发,所支持的平台与OpenVINO™完全一致,具体信息可以参考OpenVINO™。通过使用OpenVINO™ C# API,可以在.NET、.NET Framework等框架下使用C#语言实现深度学习模型在指定平台推理加速。


下表为当前发布的OpenVINO™ C# API NuGet Package,支持多个目标平台,可以通过NuGet一键安装所有依赖。


Core Managed Libraries



Native Runtime Libraries



1.2

YOLOv9


YOLOv9模型是YOLO系列实时目标检测算法中的最新版本,代表着该系列在准确性、速度和效率方面的又一次重大飞跃。它通过引入先进的深度学习技术和创新的架构设计,如通用ELAN(GELAN)和可编程梯度信息(PGI),显著提升了物体检测的性能。


具体来说,YOLOv9解决了深度神经网络中信息丢失的问题,通过整合PGI和GELAN架构,不仅增强了模型的学习能力,还确保了在整个检测过程中保留关键信息。此外,它采用更深的网络结构以提取更丰富的特征,同时引入残差连接和跨层连接等机制以优化训练过程。为了提高模型的泛化能力并降低过拟合风险,YOLOv9还使用了正则化技术,如权重衰减和Dropout。



由于YOLOv9在模型架构、训练策略以及数据处理等方面的改进,它在COCO数据集上能够获得更高的AP值,显示出其在复杂和多样化场景下的卓越性能。此外,YOLOv9还注重实时性能,通过优化网络结构和计算效率,实现了在保持高性能的同时减少计算量和提高处理速度。这使得YOLOv9在实时目标检测任务中具有显著优势,能够满足各种应用场景的需求。



2. 模型获取


2.1

源码下载


YOLOv9模型可以通过源码进行下载,首先克隆GitHub上的源码,输入以下指令:

git clone https://github.com/WongKinYiu/yolov9.gitcd yolov9

左滑查看更多



2.2

配置环境


接下来安装模型下载以及转换环境,此处使用Anaconda进行程序集管理,输入以下指令创建一个yolov9环境:

conda create -n yolov9 python=3.10conda activate yolov9

左滑查看更多


然后安装yolov9模型下载以及转换所必需的环境,输入以下指令:

pip install -r requirements.txtpip install openvino==2024.0.0

左滑查看更多


2.3

下载模型


首先导出目标识别模型,此处以官方预训练模型为例,首先下载预训练模型文件,然后调用export.py文件导出ONBNX格式的模型文件,最后使用OpenVINO™的模型转换命令将模型转为IR格式,依次输入以下指令即可:

wget https://github.com/WongKinYiu/yolov9/releases/download/v0.1/yolov9-c.ppython export.py --weights ./yolov9-c.pt --imgsz 640 --include onnxovc yolov9-c.onnx

左滑查看更多



同样的方式可以导出实例分割模型:

wget https://github.com/WongKinYiu/yolov9/releases/download/v0.1/gelan-c-seg.ptt
python export.py --weights ./gelan-c-seg.pt --imgsz 640 --include onnx
ovc gelan-c-seg.onnx


模型的结构如下图所示:




3. Yolov9项目配置


3.1

项目创建与环境配置


在Windows平台开发者可以使用Visual Studio平台开发程序,但无法跨平台实现,为了实现跨平台,此处采用dotnet指令进行项目的创建和配置。


首先使用dotnet创建一个测试项目,在终端中输入一下指令:

dotnet new console --framework net6.0 --use-program-main -o yolov9

左滑查看更多


此处以Windows平台为例安装项目依赖,首先是安装OpenVINO™ C# API项目依赖,在命令行中输入以下指令即可:

dotnet add package OpenVINO.CSharp.APIdotnet add package OpenVINO.runtime.windotnet add package OpenVINO.CSharp.API.Extensionsdotnet add package OpenVINO.CSharp.API.Extensions.OpenCvSharp

左滑查看更多


关于在不同平台上搭建 OpenVINO™ C# API 开发环境请参考以下文章: 

  • 《在Windows上搭建OpenVINO™C#开发环境》

    https://github.com/guojin-yan/OpenVINO-CSharp-API/blob/csharp3.1/docs/inatall/Install_OpenVINO_CSharp_Windows_cn.md

  • 《在Linux上搭建OpenVINO™C#开发环境》

    https://github.com/guojin-yan/OpenVINO-CSharp-API/blob/csharp3.1/docs/inatall/Install_OpenVINO_CSharp_Linux_cn.md

  • 《在MacOS上搭建OpenVINO™C#开发环境》

    https://github.com/guojin-yan/OpenVINO-CSharp-API/blob/csharp3.1/docs/inatall/Install_OpenVINO_CSharp_MacOS_cn.md


接下来安装使用到的图像处理库OpenCvSharp,在命令行中输入以下指令即可:

dotnet add package OpenCvSharp4dotnet add package OpenCvSharp4.Extensionsdotnet add package OpenCvSharp4.runtime.win

左滑查看更多


关于在其他平台上搭建OpenCvSharp 开发环境请参考以下文章:


添加完成项目依赖后,项目的配置文件如下所示:

<Project Sdk="Microsoft.NET.Sdk">
 <PropertyGroup>    <OutputType>Exe</OutputType>    <TargetFramework>net6.0</TargetFramework>    <ImplicitUsings>enable</ImplicitUsings>    <Nullable>enable</Nullable>  </PropertyGroup>    <ItemGroup>    <PackageReference Include="OpenCvSharp4" Version="4.9.0.20240103" />    <PackageReference Include="OpenCvSharp4.Extensions" Version="4.9.0.20240103" />    <PackageReference Include="OpenCvSharp4.runtime.win" Version="4.9.0.20240103" />    <PackageReference Include="OpenVINO.CSharp.API" Version="2024.0.0.1" />    <PackageReference Include="OpenVINO.CSharp.API.Extensions.OpenCvSharp" Version="1.0.4" />    <PackageReference Include="OpenVINO.runtime.win" Version="2024.0.0.1" />  </ItemGroup>  </Project>

左滑查看更多


3.2

定义模型预测方法


使用OpenVINO™ C# API部署模型主要包括以下几个步骤:

  • 初始化 OpenVINO Runtime Core

  • 读取本地模型(将图片数据预处理方式编译到模型)

  • 将模型编译到指定设备

  • 创建推理通道

  • 处理图像输入数据

  • 设置推理输入数据

  • 模型推理

  • 获取推理结果

  • 处理结果数据


01

定义目标检测模型方法


按照OpenVINO™ C# API部署深度学习模型的步骤,编写YOLOv9模型部署流程,在之前的项目里,我们已经部署了YOLOv5~8等一系列模型,其部署流程是基本一致的,YOLOv9模型部署代码如下所示:

static void yolov9_det(string model_path, string image_path, string device){    // -------- Step 1. Initialize OpenVINO Runtime Core --------    Core core = new Core();    // -------- Step 2. Read inference model --------    Model model = core.read_model(model_path);    // -------- Step 3. Loading a model to the device --------    CompiledModel compiled_model = core.compile_model(model, device);    // -------- Step 4. Create an infer request --------    InferRequest infer_request = compiled_model.create_infer_request();    // -------- Step 5. Process input images --------    Mat image = new Mat(image_path); // Read image by opencvsharp    int max_image_length = image.Cols > image.Rows ? image.Cols : image.Rows;    Mat max_image = Mat.Zeros(new OpenCvSharp.Size(max_image_length, max_image_length), MatType.CV_8UC3);    Rect roi = new Rect(0, 0, image.Cols, image.Rows);    image.CopyTo(new Mat(max_image, roi));    float factor = (float)(max_image_length / 640.0);    // -------- Step 6. Set up input data --------    Tensor input_tensor = infer_request.get_input_tensor();    Shape input_shape = input_tensor.get_shape();    Mat input_mat = CvDnn.BlobFromImage(max_image, 1.0 / 255.0, new OpenCvSharp.Size(input_shape[2], input_shape[3]), 0, true, false);    float[] input_data = new float[input_shape[1] * input_shape[2] * input_shape[3]];    Marshal.Copy(input_mat.Ptr(0), input_data, 0, input_data.Length);    input_tensor.set_data<float>(input_data);    // -------- Step 7. Do inference synchronously --------    infer_request.infer();    // -------- Step 8. Get infer result data --------    start = DateTime.Now;    Tensor output_tensor = new Tensor();    if (model.get_outputs_size() > 1)    {        output_tensor = infer_request.get_output_tensor(1);    }    else    {        output_tensor = infer_request.get_output_tensor();    }    int output_length = (int)output_tensor.get_size();    float[] output_data = output_tensor.get_data<float>(output_length);    // -------- Step 9. Process reault  --------    Mat result_data = new Mat(84, 8400, MatType.CV_32F, output_data);    result_data = result_data.T();    // Storage results list    List<Rect> position_boxes = new List<Rect>();    List<int> class_ids = new List<int>();    List<float> confidences = new List<float>();    // Preprocessing output results    for (int i = 0; i < result_data.Rows; i++)    {        Mat classes_scores = new Mat(result_data, new Rect(4, i, 80, 1));        OpenCvSharp.Point max_classId_point, min_classId_point;        double max_score, min_score;        // Obtain the maximum value and its position in a set of data        Cv2.MinMaxLoc(classes_scores, out min_score, out max_score,            out min_classId_point, out max_classId_point);        // Confidence level between 0 ~ 1        // Obtain identification box information        if (max_score > 0.25)        {            float cx = result_data.At<float>(i, 0);            float cy = result_data.At<float>(i, 1);            float ow = result_data.At<float>(i, 2);            float oh = result_data.At<float>(i, 3);            int x = (int)((cx - 0.5 * ow) * factor);            int y = (int)((cy - 0.5 * oh) * factor);            int width = (int)(ow * factor);            int height = (int)(oh * factor);            Rect box = new Rect();            box.X = x;            box.Y = y;            box.Width = width;            box.Height = height;
           position_boxes.Add(box);            class_ids.Add(max_classId_point.X);            confidences.Add((float)max_score);        }    }    // NMS non maximum suppression    int[] indexes = new int[position_boxes.Count];    CvDnn.NMSBoxes(position_boxes, confidences, 0.5f, 0.5f, out indexes);    for (int i = 0; i < indexes.Length; i++)    {        int index = indexes[i];        Cv2.Rectangle(image, position_boxes[index], new Scalar(0, 0, 255), 2, LineTypes.Link8);        Cv2.Rectangle(image, new OpenCvSharp.Point(position_boxes[index].TopLeft.X, position_boxes[index].TopLeft.Y + 30),            new OpenCvSharp.Point(position_boxes[index].BottomRight.X, position_boxes[index].TopLeft.Y), new Scalar(0, 255, 255), -1);        Cv2.PutText(image, class_ids[index] + "-" + confidences[index].ToString("0.00"),            new OpenCvSharp.Point(position_boxes[index].X, position_boxes[index].Y + 25),            HersheyFonts.HersheySimplex, 0.8, new Scalar(0, 0, 0), 2);    }    string output_path = Path.Combine(Path.GetDirectoryName(Path.GetFullPath(image_path)),        Path.GetFileNameWithoutExtension(image_path) + "_result.jpg");    Cv2.ImWrite(output_path, image);    Slog.INFO("The result save to " + output_path);    Cv2.ImShow("Result", image);    Cv2.WaitKey(0);}

左滑查看更多


02

定义实例分割模型方法


实例分割模型部署流程与目标检测基本一致,主要不同点是模型结果的后处理方式,此处只展示了模型结果后处理代码,其他代码与YOLOv9目标检测代码一致,YOLOv9实例分割模型部署代码如下所示:

static void yolov9_seg(string model_path, string image_path, string device){    ... ...(代码与上文一致)    // -------- Step 8. Get infer result data --------    Tensor output_tensor_0 = infer_request.get_output_tensor(0);    float[] result_detect = output_tensor_0.get_data<float>((int)output_tensor_0.get_size());    Tensor output_tensor_1 = infer_request.get_output_tensor(1);    float[] result_proto = output_tensor_1.get_data<float>((int)output_tensor_1.get_size());    Mat detect_data = new Mat(116, 8400, MatType.CV_32FC1, result_detect);    Mat proto_data = new Mat(32, 25600, MatType.CV_32F, result_proto);    detect_data = detect_data.T();    List<Rect> position_boxes = new List<Rect>();    List<int> class_ids = new List<int>();    List<float> confidences = new List<float>();    List<Mat> masks = new List<Mat>();    for (int i = 0; i < detect_data.Rows; i++)    {        Mat classes_scores = new Mat(detect_data, new Rect(4, i, 80, 1));//GetArray(i, 5, classes_scores);        Point max_classId_point, min_classId_point;        double max_score, min_score;        Cv2.MinMaxLoc(classes_scores, out min_score, out max_score,            out min_classId_point, out max_classId_point);        if (max_score > 0.25)        {            Mat mask = new Mat(detect_data, new Rect(4 + 80, i, 32, 1));//detect_data.Row(i).ColRange(4 + categ_nums, categ_nums + 36);            float cx = detect_data.At<float>(i, 0);            float cy = detect_data.At<float>(i, 1);            float ow = detect_data.At<float>(i, 2);            float oh = detect_data.At<float>(i, 3);            int x = (int)((cx - 0.5 * ow) * factor);            int y = (int)((cy - 0.5 * oh) * factor);            int width = (int)(ow * factor);            int height = (int)(oh * factor);            Rect box = new Rect();            box.X = x;            box.Y = y;            box.Width = width;            box.Height = height;            position_boxes.Add(box);            class_ids.Add(max_classId_point.X);            confidences.Add((float)max_score);            masks.Add(mask);        }    }    int[] indexes = new int[position_boxes.Count];    CvDnn.NMSBoxes(position_boxes, confidences, 0.5f, 0.5f, out indexes);    SegResult result = new SegResult();    Mat rgb_mask = Mat.Zeros(new Size((int)image.Size().Width, (int)image.Size().Height), MatType.CV_8UC3);    Random rd = new Random(); // Generate Random Numbers    for (int i = 0; i < indexes.Length; i++)    {        int index = indexes[i];        // Division scope        Rect box = position_boxes[index];        int box_x1 = Math.Max(0, box.X);        int box_y1 = Math.Max(0, box.Y);        int box_x2 = Math.Max(0, box.BottomRight.X);        int box_y2 = Math.Max(0, box.BottomRight.Y);        // Segmentation results        Mat original_mask = masks[index] * proto_data;        for (int col = 0; col < original_mask.Cols; col++)        {            original_mask.Set<float>(0, col, sigmoid(original_mask.At<float>(0, col)));        }        // 1x25600 -> 160x160 Convert to original size        Mat reshape_mask = original_mask.Reshape(1, 160);        // Split size after scaling        int mx1 = Math.Max(0, (int)((box_x1 / factor) * 0.25));        int mx2 = Math.Min(160, (int)((box_x2 / factor) * 0.25));        int my1 = Math.Max(0, (int)((box_y1 / factor) * 0.25));        int my2 = Math.Min(160, (int)((box_y2 / factor) * 0.25));        // Crop Split Region        Mat mask_roi = new Mat(reshape_mask, new OpenCvSharp.Range(my1, my2), new OpenCvSharp.Range(mx1, mx2));        // Convert the segmented area to the actual size of the image        Mat actual_maskm = new Mat();        Cv2.Resize(mask_roi, actual_maskm, new Size(box_x2 - box_x1, box_y2 - box_y1));        // Binary segmentation region        for (int r = 0; r < actual_maskm.Rows; r++)        {            for (int c = 0; c < actual_maskm.Cols; c++)            {                float pv = actual_maskm.At<float>(r, c);                if (pv > 0.5)                {                    actual_maskm.Set<float>(r, c, 1.0f);                }                else                {                    actual_maskm.Set<float>(r, c, 0.0f);                }            }        }        // 预测        Mat bin_mask = new Mat();        actual_maskm = actual_maskm * 200;        actual_maskm.ConvertTo(bin_mask, MatType.CV_8UC1);        if ((box_y1 + bin_mask.Rows) >= (int)image.Size().Height)        {            box_y2 = (int)image.Size().Height - 1;        }        if ((box_x1 + bin_mask.Cols) >= (int)image.Size().Width)        {            box_x2 = (int)image.Size().Width - 1;        }        // Obtain segmentation area        Mat mask = Mat.Zeros(new Size((int)image.Size().Width, (int)image.Size().Height), MatType.CV_8UC1);        bin_mask = new Mat(bin_mask, new OpenCvSharp.Range(0, box_y2 - box_y1), new OpenCvSharp.Range(0, box_x2 - box_x1));        Rect roi1 = new Rect(box_x1, box_y1, box_x2 - box_x1, box_y2 - box_y1);        bin_mask.CopyTo(new Mat(mask, roi1));        // Color segmentation area        Cv2.Add(rgb_mask, new Scalar(rd.Next(0, 255), rd.Next(0, 255), rd.Next(0, 255)), rgb_mask, mask);        result.add(class_ids[index], confidences[index], position_boxes[index], rgb_mask.Clone());    }    Mat masked_img = new Mat();    // Draw recognition results on the image    for (int i = 0; i < result.count; i++)    {        Cv2.Rectangle(image, result.datas[i].box, new Scalar(0, 0, 255), 2, LineTypes.Link8);        Cv2.Rectangle(image, new Point(result.datas[i].box.TopLeft.X, result.datas[i].box.TopLeft.Y + 30),            new Point(result.datas[i].box.BottomRight.X, result.datas[i].box.TopLeft.Y), new Scalar(0, 255, 255), -1);        Cv2.PutText(image, CocoOption.lables[result.datas[i].index] + "-" + result.datas[i].score.ToString("0.00"),            new Point(result.datas[i].box.X, result.datas[i].box.Y + 25),            HersheyFonts.HersheySimplex, 0.8, new Scalar(0, 0, 0), 2);        Cv2.AddWeighted(image, 0.5, result.datas[i].mask, 0.5, 0, masked_img);    }    string output_path = Path.Combine(Path.GetDirectoryName(Path.GetFullPath(image_path)),        Path.GetFileNameWithoutExtension(image_path) + "_result.jpg");    Cv2.ImWrite(output_path, masked_img);    Slog.INFO("The result save to " + output_path);    Cv2.ImShow("Result", masked_img);    Cv2.WaitKey(0);}

左滑查看更多


03

使用OpenVINO™预处理接口编译模型


OpenVINO™提供了推理数据预处理接口,用户可以更具模型的输入数据预处理方式进行设置。在读取本地模型后,调用数据预处理接口,按照模型要求的数据预处理方式进行输入配置,然后再将配置好的预处理接口与模型编译到一起,这样便实现了将模型预处理与模型结合在一起,实现OpenVINO™对于处理过程的加速。主要是现在代码如下所示:

static void yolov9_seg_with_process(string model_path, string image_path, string device){    // -------- Step 1. Initialize OpenVINO Runtime Core --------    Core core = new Core();    // -------- Step 2. Read inference model --------    Model model = core.read_model(model_path);    OvExtensions.printf_model_info(model);    PrePostProcessor processor = new PrePostProcessor(model);    Tensor input_tensor_pro = new Tensor(new OvType(ElementType.U8), new Shape(1, 640, 640, 3));    InputInfo input_info = processor.input(0);    InputTensorInfo input_tensor_info = input_info.tensor();    input_tensor_info.set_from(input_tensor_pro).set_layout(new Layout("NHWC")).set_color_format(ColorFormat.BGR);
   PreProcessSteps process_steps = input_info.preprocess();    process_steps.convert_color(ColorFormat.RGB).resize(ResizeAlgorithm.RESIZE_LINEAR)        .convert_element_type(new OvType(ElementType.F32)).scale(255.0f).convert_layout(new Layout("NCHW"));    Model new_model = processor.build();    // -------- Step 3. Loading a model to the device --------    CompiledModel compiled_model = core.compile_model(new_model, device);    // -------- Step 4. Create an infer request --------    InferRequest infer_request = compiled_model.create_infer_request();    // -------- Step 5. Process input images --------    Mat image = new Mat(image_path); // Read image by opencvsharp    int max_image_length = image.Cols > image.Rows ? image.Cols : image.Rows;    Mat max_image = Mat.Zeros(new OpenCvSharp.Size(max_image_length, max_image_length), MatType.CV_8UC3);    Rect roi = new Rect(0, 0, image.Cols, image.Rows);    image.CopyTo(new Mat(max_image, roi));    Cv2.Resize(max_image, max_image, new OpenCvSharp.Size(640, 640));    float factor = (float)(max_image_length / 640.0);    // -------- Step 6. Set up input data --------    start = DateTime.Now;    Tensor input_tensor = infer_request.get_input_tensor();    Shape input_shape = input_tensor.get_shape();    byte[] input_data = new byte[input_shape[1] * input_shape[2] * input_shape[3]];    //max_image.GetArray<int>(out input_data);    Marshal.Copy(max_image.Ptr(0), input_data, 0, input_data.Length);    IntPtr destination = input_tensor.data();    Marshal.Copy(input_data, 0, destination, input_data.Length);    // -------- Step 7. Do inference synchronously --------  ... ...(后续与上文代码一致)}

左滑查看更多


4. 模型预测方法调用


定义完模型推理接口后,便可以在主函数里进行调用。此处为了让大家更好的复现本文代码,提供了在线模型,用户只需要运行以下代码,便可以直接下载转换好的模型进行模型推理,无需再自行转换,主函数代码如下所示:

static void Main(string[] args){    string model_path = "";    string image_path = "";    string device = "AUTO";    if (args.Length == 0)    {        if (!Directory.Exists("./model"))        {            Directory.CreateDirectory("./model");        }        if (!File.Exists("./model/yolov9-c-converted.xml") && !File.Exists("./model/yolov9-c-converted.bin"))        {            if (!File.Exists("./model/yolov9-c-converted.tar"))            {                _ = Download.download_file_async("https://github.com/guojin-yan/OpenVINO-CSharp-API-Samples/releases/download/Model/yolov9-c-converted.tar",                    "./model/yolov9-c-converted.tar").Result;            }            Download.unzip("./model/yolov9-c-converted.tar", "./model/");        }        if (!File.Exists("./model/test_det_01.jpg"))        {            _ = Download.download_file_async("https://github.com/guojin-yan/OpenVINO-CSharp-API-Samples/releases/download/Image/test_det_01.jpg",                "./model/test_det_01.jpg").Result;        }        model_path = "./model/yolov9-c-converted.xml";        image_path = "./model/test_det_01.jpg";    }    else if (args.Length >= 2)    {        model_path = args[0];        image_path = args[1];        device = args[2];    }    else    {        Console.WriteLine("Please enter the correct command parameters, for example:");        Console.WriteLine("> 1. dotnet run");        Console.WriteLine("> 2. dotnet run <model path> <image path> <device name>");    }    // -------- Get OpenVINO runtime version --------    OpenVinoSharp.Version version = Ov.get_openvino_version();    Slog.INFO("---- OpenVINO INFO----");    Slog.INFO("Description : " + version.description);    Slog.INFO("Build number: " + version.buildNumber);    Slog.INFO("Predict model files: " + model_path);    Slog.INFO("Predict image  files: " + image_path);    Slog.INFO("Inference device: " + device);    Slog.INFO("Start yolov9 model inference.");    yolov9_det(model_path, image_path, device);    yolov9_det_with_process(model_path, image_path, device);}

左滑查看更多


备注:

由于篇幅限制,上文中只展示了部分代码,想要获取全部源码,请访问项目GitHub自行下载:


使用OpenVINO™ C# API部署YOLOv9目标检测模型:

https://github.com/guojin-yan/OpenVINO-CSharp-API-Samples/blob/master/model_samples/yolov9/yolov9_det_opencvsharp/Program.cs


使用OpenVINO™ C# API部署YOLOv9实力分割模型:

https://github.com/guojin-yan/OpenVINO-CSharp-API-Samples/blob/master/model_samples/yolov9/yolov9_seg_opencvsharp/Program.cs


此外为了满足习惯使用EmguCV处理图像数据的开发者,此处我们也提供了EmguCV版本代码:


使用OpenVINO™ C# API部署YOLOv9目标检测模型:

https://github.com/guojin-yan/OpenVINO-CSharp-API-Samples/blob/master/model_samples/yolov9/yolov9_det_emgucv/Program.cs


使用OpenVINO™ C# API部署YOLOv9实力分割模型:

https://github.com/guojin-yan/OpenVINO-CSharp-API-Samples/blob/master/model_samples/yolov9/yolov9_seg_emgucv/Program.cs


5. 项目运行与演示


5.1

项目编译和运行


接下来输入项目编译指令进行项目编译,输入以下指令即可:

dotnet build

左滑查看更多


接下来运行编译后的程序文件,在CMD中输入以下指令,运行编译后的项目文件:

dotnet run --no-build

左滑查看更多


5.2

YOLOv9目标检测模型运行结果


下图为YOLOv9 目标检测模型运行输出信息,此处我们使用在线转换好的模型进行推理。,首先会下载指定模型以及推理数据到本地,这样避免了开发者在自己配置环境和下载模型;接下来是输出打印 OpenVINO™ 版本信息,此处我们使用NuGet安装的依赖项,已经是OpenVINO™ 2024.0最新版本;接下来就是打印相关的模型信息,并输出每个过程所消耗时间。



下图为使用YOLOv9目标检测模型推理结果:




5.3

YOLOv9实例分割模型运行结果


下图为YOLOv9实例分割模型运行输出信息,此处我们使用在线转换好的模型进行推理。首先会下载指定模型以及推理数据到本地,这样避免了开发者在自己配置环境和下载模型;接下来是输出打印OpenVINO™版本信息,此处我们使用NuGet安装的依赖项,已经是OpenVINO™ 2024.0最新版本;接下来就是打印相关的模型信息,并输出每个过程所消耗时间。



下图为使用YOLOv9实例分割模型推理结果:




6. 总结


在该项目中,我们结合之前开发的OpenVINO™ C# API 项目部署YOLOv9模型,成功实现了对象目标检测与实例分割,并且根据不同开发者的使用习惯,同时提供了OpenCvSharp以及Emgu.CV两种版本,供各位开发者使用。最后如果各位开发者在使用中有任何问题,欢迎大家与我联系。


OpenVINO™

--END--


     
     
     

点击下方图片,让我们一起成为“Issues 猎手”,共创百万用户开源生态!


              
              
              
你也许想了解(点击蓝字查看)⬇️
➡️  隆重介绍 OpenVINO™ 2024.0: 为开发者提供更强性能和扩展支持
➡️  隆重推出 OpenVINO 2023.3 ™ 最新长期支持版本
➡️  OpenVINO™ 2023.2 发布:让生成式 AI 在实际场景中更易用
➡️ 开发者实战 | 介绍OpenVINO™ 2023.1:在边缘端赋能生成式AI
➡️ 基于 ChatGLM2 和 OpenVINO™ 打造中文聊天助手
➡️ 基于 Llama2 和 OpenVINO™ 打造聊天机器人
➡️ 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
➡️ 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

             
             
             


扫描下方二维码立即体验 

OpenVINO™ 工具套件 2024.0


点击 阅读原文 立即体验OpenVINO™ 2024.0

文章这么精彩,你有没有“在看”?

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。

展开阅读全文
加载中
点击引领话题📣 发布并加入讨论🔥
打赏
0 评论
0 收藏
0
分享
返回顶部
顶部