Ecosyste.ms: Awesome

An open API service indexing awesome lists of open source software.
Awesome Lists | Featured Topics | Projects
https://github.com/fb029ed/yolov5_cpp_openvino

用c++实现了yolov5使用openvino的部署
https://github.com/fb029ed/yolov5_cpp_openvino
cpp openvino yolov5
Last synced: 10 days ago
JSON representation
用c++实现了yolov5使用openvino的部署
Host: GitHub
URL: https://github.com/fb029ed/yolov5_cpp_openvino
Owner: fb029ed
License: apache-2.0
Created: 2020-12-03T10:54:06.000Z (almost 4 years ago)
Default Branch: master
Last Pushed: 2021-04-11T09:59:07.000Z (over 3 years ago)
Last Synced: 2024-06-16T14:34:05.465Z (5 months ago)
Topics: cpp, openvino, yolov5
Language: C++
Homepage:
Size: 24.5 MB
Stars: 266
Watchers: 6
Forks: 60
Open Issues: 18
Metadata Files:
- Readme: README.md
- License: LICENSE
Awesome Lists containing this project

awesome-yolo-object-detection - fb029ed/yolov5_cpp_openvino
awesome-yolo-object-detection - fb029ed/yolov5_cpp_openvino
README

        # c++实现yolov5的OpenVINO部署

> 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.

> 

> 2021.2.27

> 注意到yolov5更新了4.0版本的release,该仓库不能直接使用，请git reset到v3.1对应的版本下使用.

> 如果有改好的兼容4.0版本的实现，欢迎提merge.

## 模型训练

### 1. 首先获取yolov5工程

```shell

git clone https://github.com/ultralytics/yolov5.git

```

本文编辑的时间是2020年12月3日,官方最新的releases是v3.1,在v3.0的版本中,官网有如下的声明

> * August 13, 2020**: [v3.0 release](https://github.com/ultralytics/yolov5/releases/tag/v3.0): nn.Hardswish() activations, data autodownload, native AMP.

yolov5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.

后续实现基于v3.1版本.

### 2. 训练准备

yolov5官方的指南: https://github.com/ultralytics/yolov5/wiki/Train-Custom-Data

#### 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

其中为了实现自己的训练常常需要更改以下两个参数

* 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

  在3.执行训练中将提到禁止自动锚框计算的方法.

#### 数据准备

参考官方指南的

* Create Labels

* Organize Directories

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.

### 3. 执行训练

```python

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.

## 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.

### 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

```python

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

```python

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:

```shell

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.

![net](https://github.com/fb029ed/yolov5_cpp_openvino/blob/master/img/net.png)

### 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.

```shell

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.

```shell

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.

## 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.

### 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:

```c++

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");

```

### 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

```c++

InferRequest::Ptr infer_request = _network.CreateInferRequestPtr();

Blob::Ptr frameBlob = infer_request->GetBlob(_input_name);

InferenceEngine::LockedMemory blobMapped = InferenceEngine::as(frameBlob)->wmap();

float* blob_data = blobMapped.as();

//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(row,col)[ch])/255.0f;

        }

    }

}

```

### 3. 推断执行与解析

*　推断执行

```c++

infer_request->Infer();

```

* 获取推断结果

从Netron的可视化结果可知

![output](https://github.com/fb029ed/yolov5_cpp_openvino/blob/master/img/output.png)

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:

```c++

//获取各层结果

vector origin_rect;                     //保存原始的框信息

vector 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:

```c++

//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& o_rect,vector& o_rect_cof){

    vector anchors = get_anchors(net_grid);

    LockedMemory blobMapped = as(blob)->rmap();

    const float *output_blob = blobMapped.as();

    //80个类是85,一个类是6,n个类是n+5

    //int item_size = 6;

    int item_size = 85;

    size_t anchor_n = 3;

    for(int n=0;n 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.

```c++

 vector 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 diff = end - start;

cout<<"use "<