01
简介
《在 AI 爱克斯开发板上用 OpenVINO™ 加速 YOLOv8 分类模型》介绍了在 AI 爱克斯开发板上使用 OpenVINO™ 开发套件部署并测评 YOLOv8 的分类模型，本文将介绍在 AI 爱克斯开发板上使用 OpenVINO™ 加速 YOLOv8 目标检测模型。
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/ppov-nuc/yolov8_openvino.git
02
导出 YOLOv8 目标检测 OpenVINO™ IR 模型
YOLOv8 的目标检测模型有5种，在 COCO 数据集完成训练，如下表所示。
首先使用命令：
yolo export model=yolov8n.pt format=onnx
完成 yolov8n.onnx 模型导出，如下图所示：
然后使用命令：
mo -m yolov8n.onnx --compress_to_fp16
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 目标检测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.xml -d GPU
获得 yolov8n.xml 模型在 AI 爱克斯开发板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 目标检测模型推理程序
用 Netron 打开 yolov8n.onnx ，如下图所示，可以看到模型的输入是形状为[1,3,640,640]的张量，输出是形状为[1,84,8400]的张量，其中“84”的定义为：cx,cy,h,w和80种类别的分数。“8400”是指 YOLOv8 的3个检测头在图像尺寸为640时，有640/8=80, 640/16=40, 640/32=20, 80x80+40x40+20x20=8400个输出单元格。
基于 OpenVINO™ Python API 的 YOLOv8 目标检测模型的范例程序：
yolov8_od_ov_sync_infer_demo.py
其核心源代码如下所示：
# 实例化Core对象core = Core()# 载入并编译模型net = core.compile_model(f'{MODEL_NAME}.xml', device_name="AUTO")# 获得模型输出节点output_node = net.outputs[0] # yolov8n只有一个输出节点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# 图像数据前处理[height, width, _] = 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)# 执行推理计算outputs = ir.infer(blob)[output_node]# 推理结果后处理并显示处理结果outputs = np.array([cv2.transpose(outputs[0])])... ...cv2.imshow('YOLOv8 OpenVINO Infer Demo on AIxBoard', frame)
向右滑动查看完整代码
yolov8_od_ov_sync_infer_demo.py 运行结果，如下图所示：
05
结论
AI 爱克斯开发板借助 N5105 处理器的集成显卡(24个执行单元)和 OpenVINO™ ，可以在 YOLOv8 的目标检测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。
下一篇将继续介绍在《在 AI 爱克斯开发板上用 OpenVINO™ 加速 YOLOv8-Seg 实例分割模型》。
你也许想了解(点击蓝字查看)⬇️
➡️
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。
➡️
如何给开源项目做贡献? | 开发者节日福利
➡️
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。
