作者：英特爾物聯(lián)網(wǎng)行業(yè)創(chuàng)新大使 楊雪鋒

OpenVINO 2022.2版開(kāi)始支持英特爾獨(dú)立顯卡，還能通過(guò)“累計(jì)吞吐量”同時(shí)啟動(dòng)集成顯卡 + 獨(dú)立顯卡助力全速 AI 推理。本文基于 C# 和 OpenVINO，將 PP-TinyPose 模型部署在英特爾獨(dú)立顯卡上。

1.1 PP-TinyPose 模型簡(jiǎn)介

PP-TinyPose 是飛槳 PaddleDetecion 針對(duì)移動(dòng)端設(shè)備優(yōu)化的實(shí)時(shí)關(guān)鍵點(diǎn)檢測(cè)模型，可流暢地在移動(dòng)端設(shè)備上執(zhí)行多人姿態(tài)估計(jì)任務(wù)。PP-TinyPose 可以基于人體17個(gè)關(guān)鍵點(diǎn)數(shù)據(jù)集訓(xùn)練后，識(shí)別人體關(guān)鍵點(diǎn)，獲得人體姿態(tài)，如圖 1所示。

圖 1 PP-TinyPose識(shí)別效果圖

PP-TinyPose 開(kāi)源項(xiàng)目倉(cāng)庫(kù)：

https://gitee.com/paddlepaddle/PaddleDetection/tree/release/2.5/configs/keypoint/tiny_pose

1.1.1

PP-TinyPose 框架

PP-TinyPose 提供了完整的人體關(guān)鍵點(diǎn)識(shí)別解決方案，主要包括行人檢測(cè)以及關(guān)鍵點(diǎn)檢測(cè)兩部分。行人檢測(cè)通過(guò)PP-PicoDet模型來(lái)實(shí)現(xiàn)，關(guān)鍵點(diǎn)識(shí)別通過(guò) Lite-HRNet 骨干網(wǎng)絡(luò)+DARK關(guān)鍵點(diǎn)矯正算法來(lái)實(shí)現(xiàn)，如下圖所示：

圖 2 PP-TinyPose人體關(guān)鍵點(diǎn)識(shí)別

1.2 構(gòu)建開(kāi)發(fā)環(huán)境

本文構(gòu)建的開(kāi)發(fā)環(huán)境，如下所示：

OpenVINOTM：2022.2.0

OpenCV：4.5.5

Visual Studio：2022

C#框架：.NET 6.0

OpenCvSharp：OpenCvSharp4

1.2.1

下載項(xiàng)目完整源代碼

項(xiàng)目所使用的源碼已在完整開(kāi)源，讀者可以直接克隆到本地。

git clone 
https://gitee.com/guojin-yan/Csharp_and_OpenVINO_deploy_PP-TinyPose.git

1.3 在 C# 中調(diào)用 OpenVINO Runtime API

由于 OpenVINO Runtime 只有 C++ 和 Python API 接口，需要在 C# 中通過(guò)動(dòng)態(tài)鏈接庫(kù)方式調(diào)用 OpenVINO Runtime C++ API。具體教程參考《在C#中調(diào)用OpenVINO 模型》，對(duì)應(yīng)的參考范例：

https://github.com/guojin-yan/OpenVinoSharp.git

1.3.1

在 C# 中構(gòu)建 Core 類

為了更方便的使用，可以在 C# 中，將調(diào)用細(xì)節(jié)封裝到 Core 類中。根據(jù)模型推理的步驟，構(gòu)建模型推理類：

（1）構(gòu)造函數(shù)

public Core(string model_file, string device_name){
// 初始化推理核心
ptr = NativeMethods.core_init(model_file, device_name);
}

向右滑動(dòng)查看完整代碼

在該方法中，主要是調(diào)用推理核心初始化方法，初始化推理核心，讀取本地模型，將模型加載到設(shè)備、創(chuàng)建推理請(qǐng)求等模型推理步驟。

（2）設(shè)置模型輸入形狀

// @brief 設(shè)置推理模型的輸入節(jié)點(diǎn)的大小
// @param input_node_name 輸入節(jié)點(diǎn)名
// @param input_size 輸入形狀大小數(shù)組
public void set_input_sharp(string input_node_name, ulong[] input_size) {
// 獲取輸入數(shù)組長(zhǎng)度
int length = input_size.Length;
if (length == 4) {
// 長(zhǎng)度為4，判斷為設(shè)置圖片輸入的輸入參數(shù)，調(diào)用設(shè)置圖片形狀方法
ptr = NativeMethods.set_input_image_sharp(ptr, input_node_name, ref input_size[0]);
}
else if (length == 2) {
// 長(zhǎng)度為2，判斷為設(shè)置普通數(shù)據(jù)輸入的輸入?yún)?shù)，調(diào)用設(shè)置普通數(shù)據(jù)形狀方法
ptr = NativeMethods.set_input_data_sharp(ptr, input_node_name, ref input_size[0]);
}
else {
// 為防止輸入發(fā)生異常，直接返回
return;
}
}

向右滑動(dòng)查看完整代碼

（3）加載推理數(shù)據(jù)

 // @brief 加載推理數(shù)據(jù)
    // @param input_node_name 輸入節(jié)點(diǎn)名
    // @param input_data 輸入數(shù)據(jù)數(shù)組
    public void load_input_data(string input_node_name, float[] input_data) {
      ptr = NativeMethods.load_input_data(ptr, input_node_name, ref input_data[0]);
    }
    // @brief 加載圖片推理數(shù)據(jù)
    // @param input_node_name 輸入節(jié)點(diǎn)名
    // @param image_data 圖片矩陣
    // @param image_size 圖片矩陣長(zhǎng)度
    public void load_input_data(string input_node_name, byte[] image_data, ulong image_size, int type) {
      ptr = NativeMethods.load_image_input_data(ptr, input_node_name, ref image_data[0], image_size, type);
    }

向右滑動(dòng)查看完整代碼

加載推理數(shù)據(jù)主要包含圖片數(shù)據(jù)和普通的矩陣數(shù)據(jù)，其中對(duì)于圖片的預(yù)處理，也已經(jīng)在 C++ 中進(jìn)行封裝，保證了圖片數(shù)據(jù)在傳輸中的穩(wěn)定性。

（4）模型推理

  // @brief 模型推理
    public void infer() {
      ptr = NativeMethods.core_infer(ptr);
    }

（5）讀取推理結(jié)果數(shù)據(jù)

 // @brief 讀取推理結(jié)果數(shù)據(jù)
    // @param output_node_name 輸出節(jié)點(diǎn)名
    // @param data_size 輸出數(shù)據(jù)長(zhǎng)度
    // @return 推理結(jié)果數(shù)組
    public T[] read_infer_result(string output_node_name, int data_size) {
      // 獲取設(shè)定類型
      string t = typeof(T).ToString();
      // 新建返回值數(shù)組
      T[] result = new T[data_size];
      if (t == "System.Int32") { // 讀取數(shù)據(jù)類型為整形數(shù)據(jù)
        int[] inference_result = new int[data_size];
        NativeMethods.read_infer_result_I32(ptr, output_node_name, data_size, ref inference_result[0]);
        result = (T[])Convert.ChangeType(inference_result, typeof(T[]));
        return result;
      }
      else { // 讀取數(shù)據(jù)類型為浮點(diǎn)型數(shù)據(jù)
        float[] inference_result = new float[data_size];
        NativeMethods.read_infer_result_F32(ptr, output_node_name, data_size, ref inference_result[0]);
        result = (T[])Convert.ChangeType(inference_result, typeof(T[]));
        return result;
      }
    }

在讀取模型推理結(jié)果時(shí)，支持讀取整形數(shù)據(jù)和浮點(diǎn)型數(shù)據(jù)。

（6）清除地址

 // @brief 刪除創(chuàng)建的地址
    public void delet() {
      NativeMethods.core_delet(ptr);
    }

完成上述封裝后，在 C# 平臺(tái)下，調(diào)用 Core 類，就可以方便實(shí)現(xiàn) OpenVINO 推理程序了。

1.4 下載并轉(zhuǎn)換 PP-PicoDet 模型

1.4.1

PP-PicoDet 模型簡(jiǎn)介

Picodet_s_320_lcnet_pedestrian Paddle 格式模型信息如下表所示，其默認(rèn)的輸入為動(dòng)態(tài)形狀，需要將該模型的輸入形狀變?yōu)殪o態(tài)形狀。

表 1 Picodet_s_320_lcnet_pedestrian Paddle 格式模型信息

1.4.2

模型下載與轉(zhuǎn)換

第一步，下載模型

命令行直接輸入以下模型導(dǎo)出代碼，使用 PaddleDetecion 自帶的方法，下載預(yù)訓(xùn)練模型并將模型轉(zhuǎn)為導(dǎo)出格式。

導(dǎo)出 picodet_s_320_lcnet_pedestrian 模型：

python tools/export_model.py -c 
configs/picodet/application/pedestrian_detection/picodet_s_320_lcnet_pedestrian.yml -o export.benchmark=False 
export.nms=False 
weights=https://bj.bcebos.com/v1/paddledet/models/keypoint/tinypose_enhance/picodet_s_320_lcnet_pedestrian.p
dparams --output_dir=output_inference

導(dǎo)出 picodet_s_192_lcnet_pedestrian 模型：

 python tools/export_model.py -c 
 configs/picodet/application/pedestrian_detection/picodet_s_192_lcnet_pedestrian.yml -o export.benchmark=False 
 export.nms=False 
 weights=https://bj.bcebos.com/v1/paddledet/models/keypoint/tinypose_enhance/picodet_s_192_lcnet_pedestrian.p
 dparams --output_dir=output_inference

此處導(dǎo)出模型的命令與我們常用的命令導(dǎo)出增加了兩個(gè)指令：

export.benchmark=False 和 export.nms=False

主要是關(guān)閉模型后處理以及打開(kāi)模型極大值抑制。如果不關(guān)閉模型后處理，模型會(huì)增加一個(gè)輸入，且在模型部署時(shí)會(huì)出錯(cuò)。

第二步，將模型轉(zhuǎn)換為ONNX格式

該方式需要安裝 paddle2onnx 和 onnxruntime 模塊。導(dǎo)出方式比較簡(jiǎn)單，比較注意的是需要指定模型的輸入形狀，用于固定模型批次的大小。在命令行中輸入以下指令進(jìn)行轉(zhuǎn)換：

paddle2onnx --model_dir output_inference/picodet_s_320_lcnet_pedestrian --model_filename model.pdmodel --
params_filename model.pdiparams --input_shape_dict "{'image':[1,3,320,320]}" --opset_version 11 --save_filepicodet_s_320_lcnet_pedestrian.onnx

第三步，轉(zhuǎn)換為IR格式

利用 OpenVINO 模型優(yōu)化器，可以實(shí)現(xiàn)將 ONNX 模型轉(zhuǎn)為 IR 格式

mo --input_model picodet_s_320_lcnet_pedestrian.onnx --input_shape [1,3,256,192] --data_type FP16

1.5 下載并轉(zhuǎn)換 PP-TinyPose 模型

1.5.1

PP-TinyPose 模型簡(jiǎn)介

PP-TinyPose 模型信息如下表所示，其默認(rèn)的輸入為動(dòng)態(tài)形狀，需要將該模型的輸入形狀變?yōu)殪o態(tài)形狀。

表 2 PP-TinyPose 256×192 Paddle 模型信息

1.5.2

模型下載與轉(zhuǎn)換

第一步，下載模型

命令行直接輸入以下代碼，或者瀏覽器輸入后面的網(wǎng)址即可。

wget https://bj.bcebos.com/v1/paddledet/models/keypoint/tinypose_enhance/tinypose_256x192.zip

下載好后將其解壓到文件夾中，便可以獲得 Paddle 格式的推理模型。

第二步，轉(zhuǎn)換為 ONNX 格式

該方式需要安裝 paddle2onnx 和 onnxruntime 模塊。在命令行中輸入以下指令進(jìn)行轉(zhuǎn)換，其中轉(zhuǎn)換時(shí)需要指定 input_shape，否者推理時(shí)間會(huì)很長(zhǎng)：

paddle2onnx --model_dir output_inference/tinypose_256_192/paddle --model_filename model.pdmodel --
params_filename model.pdiparams --input_shape_dict "{'image':[1,3,256,192]}" --opset_version 11 --save_file 
tinypose_256_192.onnx

第三步，轉(zhuǎn)換為 IR 格式

利用OpenVINO 模型優(yōu)化器，可以實(shí)現(xiàn)將 ONNX 模型轉(zhuǎn)為 IR 格式。

cd .openvino	ools
mo --input_model paddle/model.pdmodel --input_shape [1,3,256,192] --data_type FP16

1.6 編寫 OpenVINO 推理程序

1.6.1

實(shí)現(xiàn)行人檢測(cè)

第一步，初始化 PicoDet 行人識(shí)別類

 // 行人檢測(cè)模型
string mode_path_det = @"E:Text_ModelTinyPosepicodet_v2_s_320_pedestrianpicodet_s_320_lcnet_pedestrian.onnx";
// 設(shè)備名稱
string device_name = "CPU";
PicoDet pico_det = new PicoDet(mode_path_det, device_name);

首先初始化行人識(shí)別類，將本地模型讀取到內(nèi)存中，并將模型加載到指定設(shè)備中。

第二步，設(shè)置輸入輸出形狀

Size size_det = new Size(320, 320);
pico_det.set_shape(size_det, 2125);

根據(jù)我們使用的模型，設(shè)置模型的輸入輸出形狀。

第三步，實(shí)現(xiàn)行人檢測(cè)

// 測(cè)試圖片
string image_path = @"E:Git_space基于Csharp和OpenVINO部署PP-TinyPoseimagedemo_3.jpg";
Mat image = Cv2.ImRead(image_path);
List result_rect = pico_det.predict(image);

在進(jìn)行模型推理時(shí)，使用 OpenCvSharp 讀取圖像，然后帶入預(yù)測(cè)，最終獲取行人預(yù)測(cè)框。最后將行人預(yù)測(cè)框繪制到圖片上，如下圖所示。

圖 3 行人位置預(yù)測(cè)結(jié)果

1.6.2

實(shí)現(xiàn)人體姿態(tài)識(shí)別

第一步，初始化 P 人體姿勢(shì)識(shí)別 PPTinyPose 類

 // 關(guān)鍵點(diǎn)檢測(cè)模型
// onnx格式
string mode_path_pose = @"E:Text_ModelTinyPose	inypose_128_96	inypose_128_96.onnx";
// 設(shè)備名稱
string device_name = "CPU";
PPTinyPose tiny_pose = new PPTinyPose(mode_path_pose, device_name);

首先初始化人體姿勢(shì)識(shí)別 PPTinyPose 類，將本地模型讀取到內(nèi)存中，并加載到設(shè)備上。

第二步，設(shè)置輸入輸出形狀

Size size_pose = new Size(128, 96);
tiny_pose.set_shape(size_pose);

PP-TinyPose 模型輸入與輸出有對(duì)應(yīng)關(guān)系，因此只需要設(shè)置輸入尺寸

第三步，實(shí)現(xiàn)姿勢(shì)預(yù)測(cè)

// 測(cè)試圖片
string image_path = @"E:Git_space基于Csharp和OpenVINO部署PP-TinyPoseimagedemo_3.jpg";
Mat image = Cv2.ImRead(image_path);
Mat result_image = tiny_pose.predict(image);

在進(jìn)行模型推理時(shí)，使用 OpenCvSharp 讀取圖像，然后帶入預(yù)測(cè)，最終獲取人體姿勢(shì)結(jié)果，如下圖所示。

圖 4 人體姿態(tài)繪制效果圖

1.6.3

推理速度測(cè)試

本項(xiàng)目在蝰蛇峽谷上完成測(cè)試，CPU 為 i7-12700H，自帶英特爾 銳炬 Xe集成顯卡；獨(dú)立顯卡為英特爾銳炫 A770M 獨(dú)立顯卡 + 16G 顯存，如下圖所示。

圖 5 蝰蛇峽谷

測(cè)試代碼已開(kāi)源：

https://gitee.com/guojin-yan/Csharp_and_OpenVINO_deploy_PP-TinyPose.git

測(cè)試結(jié)果如下表所示

表 3 PP-PicoDet 與 PP-TinyPose 模型運(yùn)行時(shí)間(ms)

注：模型讀取：讀取本地模型，加載到設(shè)備，創(chuàng)建推理通道；

加載數(shù)據(jù)：將待推理數(shù)據(jù)進(jìn)行處理并加載到模型輸入節(jié)點(diǎn)；

模型推理：模型執(zhí)行推理運(yùn)算；

結(jié)果處理：在模型輸出節(jié)點(diǎn)讀取輸出數(shù)據(jù)，并轉(zhuǎn)化為我們所需要的結(jié)果數(shù)據(jù)。

1.7 總結(jié)與未來(lái)工作展望

本文完整介紹了在 C# 中基于 OpenVINO 部署 PP-TinyPose 模型的完整流程，并開(kāi)源了完整的項(xiàng)目代碼。

從表3的測(cè)試結(jié)果可以看到，面對(duì)級(jí)聯(lián)的小模型，由于存在數(shù)據(jù)從 CPU 傳到 GPU，GPU 處理完畢后，結(jié)果從 GPU 傳回 CPU 的時(shí)間消耗，獨(dú)立顯卡相對(duì) CPU 并不具備明顯優(yōu)勢(shì)。

未來(lái)

改進(jìn)方向

借助 OpenVINO 預(yù)處理 API，將預(yù)處理和后處理集成到 GPU 中去。

參考教程：使用OpenVINO 預(yù)處理API進(jìn)一步提升YOLOv5推理性能

借助OpenVINO 異步推理 API，提升 GPU 利用率。

參考教程：蝰蛇峽谷上實(shí)現(xiàn) YOLOv5 模型的 OpenVINO 異步推理程序

仔細(xì)分析 CPU 和 GPU 之間的數(shù)據(jù)傳輸性能瓶頸，嘗試鎖頁(yè)內(nèi)存、異步傳輸?shù)葍?yōu)化技術(shù)，“隱藏” CPU 和 GPU 之間的數(shù)據(jù)傳輸時(shí)間消耗。