如何用OpenVINO讓YOLOv8獲得1000+FPS性能？

Posted By 武卓 on 3 月 16, 2023 in Edge AI, Edge AI教學文, Edge AI開發地圖, Intel, OpenVINO, OpenVINO專欄, OpenVINO應用, OpenVINO教學文, YOLOv5/7/8, 影像分割, 影像處理, 教學文, 物件偵測, 開發套件 | 0 comments

作者：武卓

YOLO家族又添新成員了！作為以目標檢測領域聞名的模型家族，You Only Look Once (YOLO) 推出新模型的速度可謂是越來越快。就在1月份，YOLO又推出了最新的YOLOv8模型，其模型結構和架構上的創新，以及所提供的性能提升，使其剛問世就獲得廣大開發者的關注。

YOLOv8的性能到底怎麼樣？如果說利用OpenVINO的量化和加速，利用英特爾CPU、整合式顯卡以及獨立顯卡與同一程式碼庫無縫協作，可以獲得1000+ FPS的性能，你相信嗎？那不妨繼續往下看，我們將一步步教你利用OpenVINO在英特爾處理器上實現這樣的性能。

圖1. YOLOv8推論結果範例。

讓我們開始吧！

注意：以下步驟中的所有程式碼來自OpenVINO Notebooks開源庫中的”230-yolov8-optimization” notebook 程式碼範例，可以點擊以下連結直達原始程式碼：openvino_notebooks/230-yolov8-optimization.ipynb at main · openvinotoolkit/openvino_notebooks · GitHub

第一步：安裝相對應工具套件及載入模型

本次程式碼範例我們使用的是Ultralytics YOLOv8模型，因此需要首先安裝相對應工具套件。

!pip install "ultralytics==8.0.5"

然後下載及載入相對應的PyTorch模型。

from ultralytics import YOLO
MODEL_NAME = "yolov8n"
model = YOLO(f'{MODEL_NAME}.pt')
label_map = model.model.names

定義測試圖片的路徑，獲得原始PyTorch模型的推論結果。

IMAGE_PATH = "../data/image/coco_bike.jpg"
results = model(IMAGE_PATH, return_outputs=True)

其執行效果如下：

為將目標檢測的效果以視覺化形式呈現，需要定義相對應的函數，最終執行效果如下圖所示：

第二步：將模型轉換為OpenVINO IR格式

為獲得良好的模型推論加速，並更方便的部署在不同的硬體平台上，接下來我們首先將YOLO v8模型轉換為OpenVINO IR模型格式。YOLOv8提供了用於將模型匯出到不同格式（包括OpenVINO IR格式）的API。model.export負責模型轉換。我們需要在這裡指定格式，此外，我們還可以在模型中保留動態輸入。

from pathlib import Path

model_path = Path(f"{MODEL_NAME}_openvino_model/{MODEL_NAME}.xml")
if not model_path.exists():
model.export(format="openvino", dynamic=True, half=False)

接下來我們來測試一下轉換後模型的準確度如何。執行以下程式碼，並定義相對應的前處理、後處理函數。

from openvino.runtime import Core, Model

core = Core()
ov_model = core.read_model(model_path)
device = "CPU" # GPU
if device != "CPU":
ov_model.reshape({0: [1, 3, 640, 640]})
compiled_model = core.compile_model(ov_model, device)

在單張測試圖片上進行推論，可以得到如下推論結果：

第三步：在資料集上驗證模型準確度

YOLOv8是在COCO資料集上進行預訓練的，因此為了評估模型的準確性，我們需要下載該資料集。根據YOLOv8 GitHub開源庫中提供的說明，我們還需要下載模型作者使用的格式的標註，以便與原始模型評估功能一起使用。

import sys
from zipfile import ZipFile

sys.path.append("../utils")
from notebook_utils import download_file

DATA_URL = "http://images.cocodataset.org/zips/val2017.zip"
LABELS_URL = "https://github.com/ultralytics/yolov5/releases/download/v1.0/coco2017labels-segments.zip"

OUT_DIR = Path('./datasets')

download_file(DATA_URL, directory=OUT_DIR, show_progress=True)
download_file(LABELS_URL, directory=OUT_DIR, show_progress=True)

if not (OUT_DIR / "coco/labels").exists():
with ZipFile(OUT_DIR / 'coco2017labels-segments.zip' , "r") as zip_ref:
zip_ref.extractall(OUT_DIR)
with ZipFile(OUT_DIR / 'val2017.zip' , "r") as zip_ref:
zip_ref.extractall(OUT_DIR / 'coco/images')

validator = model.ValidatorClass(args)

data_loader = validator.get_dataloader("datasets/coco", 1)

接下來，我們配置DetectionValidator並創建DataLoader。原始模型儲存庫使用DetectionValidator包裝器，它表示精度驗證的過程。它創建DataLoader和評估標準，並更新DataLoader生成的每個資料批次之度量標準。此外，它還負責資料預處理和結果後處理。對於類初始化，應提供配置。我們將使用預設值，但可以用一些參數替代，以測試自訂資料，程式碼如下。

from ultralytics.yolo.utils import DEFAULT_CONFIG
from ultralytics.yolo.configs import get_config
args = get_config(config=DEFAULT_CONFIG)
args.data = "coco.yml"

Validator配置程式碼如下：

from tqdm.notebook import tqdm
from ultralytics.yolo.utils.metrics import ConfusionMatrix

validator.is_coco = True
validator.class_map = ops.coco80_to_coco91_class()
validator.names = model.model.names
validator.metrics.names = validator.names
validator.nc = model.model.model[-1].nc

定義驗證函數，以及列印相對應測試結果的函數，結果如下：

第四步：利用NNCF POT 量化 API進行模型最佳化

Neural network compression framework (NNCF) 為OpenVINO中的神經網路推論最佳化提供了一套先進的演算法，精度下降最小。我們將在後訓練（Post-training）模式中使用8位元量化（無需微調）來最佳化YOLOv8。

最佳化過程包括以下三個步驟：

建立量化資料集Dataset;
執行nncf.quantize來得到最佳化模型
使用序列化函數openvino.runtime.serialize來得到OpenVINO IR模型。

建立量化資料集程式碼如下：

import nncf # noqa: F811
from typing import Dict

def transform_fn(data_item:Dict):
"""
Quantization transform function. Extracts and preprocess input data from dataloader item for quantization.
Parameters:
data_item: Dict with data item produced by DataLoader during iteration
Returns:
input_tensor: Input data for quantization
"""
input_tensor = validator.preprocess(data_item)['img'].numpy()
return input_tensor

quantization_dataset = nncf.Dataset(data_loader, transform_fn)

執行nncf.quantize程式碼如下：

quantized_model = nncf.quantize(
ov_model,
quantization_dataset,
preset=nncf.QuantizationPreset.MIXED,
ignored_scope=nncf.IgnoredScope(
types=["Multiply", "Subtract", "Sigmoid"], # ignore operations
names=["/model.22/dfl/conv/Conv", # in the post-processing subgraph
"/model.22/Add",
"/model.22/Add_1",
"/model.22/Add_2",
"/model.22/Add_3",
"/model.22/Add_4",
"/model.22/Add_5",
"/model.22/Add_6",
"/model.22/Add_7",
"/model.22/Add_8",
"/model.22/Add_9",
"/model.22/Add_10"]
))

最終序列化函數程式碼如下：

from openvino.runtime import serialize
int8_model_path = Path(f'{MODEL_NAME}_openvino_int8_model/{MODEL_NAME}.xml')
print(f"Quantized model will be saved to {int8_model_path}")
serialize(quantized_model, str(int8_model_path))

執行後得到的最佳化的YOLOv8模型保存在以下路徑：

yolov8n_openvino_int8_model/yolov8n.xml

接下來，執行以下程式碼在單張測試圖片上驗證最佳化模型的推論結果：

if device != "CPU":
quantized_model.reshape({0, [1, 3, 640, 640]})
quantized_compiled_model = core.compile_model(quantized_model, device)
input_image = np.array(Image.open(IMAGE_PATH))
detections = detect(input_image, quantized_compiled_model)[0]
image_with_boxes = draw_boxes(detections, input_image)

Image.fromarray(image_with_boxes)

執行結果如下：

驗證下最佳化後模型的精度，執行如下程式碼：

print("FP32 model accuracy")
print_stats(fp_stats, validator.seen, validator.nt_per_class.sum())

print("INT8 model accuracy")
print_stats(int8_stats, validator.seen, validator.nt_per_class.sum())

得到結果如下：

可以看到模型精度相較於最佳化前，並沒有明顯的下降。

第五步：比較最佳化前後模型的性能

接著，我們利用OpenVINO 基準測試工具Benchmark Python Tool來比較最佳化前（FP32）和最佳化後（INT8）模型的性能。在這裡，我們分別在英特爾®Xeon®第三代處理器（Xeon Ice Lake Gold Intel 6348 2.6 GHz 42 MB 235W 28 cores）上執行CPU端的性能比較。針對最佳化前模型的測試程式碼和執行結果如下：

# Inference FP32 model (OpenVINO IR)
!benchmark_app -m $model_path -d CPU -api async -shape "[1,3,640,640]"

FP32模型性能：

INT8模型性能：

已經達到了1400+ FPS！

在英特爾獨立顯卡上的性能又如何呢？我們在Arc A770m上測試效果如下：

也超過了1000 FPS！

需要注意的是，想獲得如此高性能，需要將推論在吞吐量模式下執行，並使用多流和多個推論請求（即同時執行多個）。同樣，仍然需要確保對預處理和後處理管道進行微調，以確保沒有性能瓶頸。

第六步：利用網路攝影機執行即時測試

除了基準測試工具外，如果你想利用自己的網路攝影機體驗即時推論的效果，可以執行我們提供的即時執行目標檢測函數。

run_object_detection(source=0, flip=True, use_popup=False, model=ov_model, device="AUTO")

獲得類似如下圖的效果：

第七步：進一步提升性能的小技巧

非同步推論流水線

在進行目標檢測的推論時，推論性能常常會因為資料輸入量的限制而受到影響。此時，採用非同步推論的模型，可以進一步提升推論的性能。非同步API的主要優點是，當設備忙於推論時，應用程式可以同時執行其他任務（例如填充輸入或調度其他請求），而不是等待當前推論先完成。要了解如何使用OpenVINO執行非同步推論，請參閱AsyncAPI課程。

使用預處理API

預處理API允許將預處理作為模型的一部分，從而減少應用程式碼以及對其他影像處理庫的依賴。預處理API的主要優點是將預處理步驟整合到執行圖中，並將在選定的設備（CPU/GPU/VPU/等）上執行，而不是作為應用程式的一部分始終在CPU上執行。這將提高所選設備的利用率。更詳細的預處理API資訊，請參閱預處理課程 Optimize Preprocessing — OpenVINO documentation 。

對於本次YOLOv8範例來說，預處理API的使用包含以下幾個步驟：

1.初始化PrePostProcessing對象

from openvino.preprocess import PrePostProcessor

ppp = PrePostProcessor(quantized_model)

2. 定義輸入資料格式

from openvino.runtime import Type, Layout

ppp.input(0).tensor().set_shape([1, 640, 640,]).set_element_type(Type.u8).set_layout(Layout('NHWC'))
pass

3. 描述預處理步驟

預處理步驟主要包括以下三步：

將資料類型從U8轉換為FP32
將資料佈局從NHWC轉換為NCHW格式
透過按比例因數255進行除法歸一化每個像素

程式碼如下：

ppp.input(0).preprocess().convert_element_type(Type.f32).convert_layout(Layout('NCHW')).scale([255., 255., 255.])

print(ppp)

4. 將步驟整合到模型中

quantized_model_with_preprocess = ppp.build()
serialize(quantized_model_with_preprocess, str(int8_model_path.with_name(f"{MODEL_NAME}_with_preprocess.xml")))

具有整合預處理的模型已準備好載入設備。現在，我們可以跳過檢測函數中的這些預處理步驟，直接執行如下推論：

def detect_without_preprocess(image:np.ndarray, model:Model):
"""
OpenVINO YOLOv8 model with integrated preprocessing inference function. Preprocess image, runs model inference and postprocess results using NMS.
Parameters:
image (np.ndarray): input image.
model (Model): OpenVINO compiled model.
Returns:
detections (np.ndarray): detected boxes in format [x1, y1, x2, y2, score,label]
"""
output_layer = model.output(0)
img = letterbox(image)[0]
input_tensor = np.expand_dims(img, 0)
input_hw = img.shape[:2]
result = model(input_tensor)[output_layer]
detections = postprocess(result, input_hw, image)
return detections

compiled_model = core.compile_model(quantized_model_with_preprocess, device)
input_image = np.array(Image.open(IMAGE_PATH))
detections = detect_without_preprocess(input_image, compiled_model)[0]
image_with_boxes = draw_boxes(detections, input_image)

Image.fromarray(img_with_boxes)

結語

整個步驟就是這樣，現在就開始跟著我們提供的程式碼和步驟，動手試試用OpenVINO最佳化和加速YOLOv8吧！

關於英特爾OpenVINO開源工具套件的詳細資料，包括其中我們提供的三百多個經驗證與最佳化預訓練模型詳細資料，請點擊此連結。

除此之外，為了方便大家了解並快速掌握OpenVINO的使用，我們還提供了一系列開源的Jupyter notebook demo。執行這些notebook，就能快速理解在不同場景下如何利用OpenVINO實現包括電腦視覺、語音及自然語言處理在內的一系列任務。OpenVINO notebooks的資源可在Github下載安裝。

(責任編輯：Judith Cheng)

About
Latest Posts

武卓

武卓博士現任英特爾AI軟體佈道師