作者：英特爾物聯網創新大使 賈志剛

本文將介紹在基于 OpenVINO 在英特爾獨立顯卡上部署 YOLOv5 實時實例分割模型的全流程，并提供完整范例代碼供讀者使用。

1.1YOLOv5 實時實例分割模型簡介

YOLOv5 是 AI 開發者友好度最佳的框架之一，與其它YOLO 系列相比：

工程化水平好，工程應用時“坑”少

文檔詳實友好，易讀易懂

既容易在用戶的數據集上重訓練又容易在不同的平臺上進行部署

社區活躍度高(截至2022-11-27有33.2k GitHub 星, 287個貢獻者)

項目演進速度快

默認支持 OpenVINO 部署

在典型行業（制造業、農業、醫療、交通等）有廣泛應用。

2022年11月22日，YOLOv5 v7.0版正式發布，成為YOLO 系列中第一個支持實時實例分割（Real Time Instance Segmentation）的框架。從此，YOLOv5 框架不僅具有實時目標檢測模型，還涵蓋了圖像分類和實例分割。

圖片來源: https://github.com/ultralytics/yolov5/releases

與實時實例分割 SOTA 性能榜中的模型相比，YOLOv5 作者發布的 YOLOv5-Seg 模型數據，無論是精度還是速度，都領先于當前 SOTA 性能榜中的模型。

1.2英特爾消費級銳炫 A系列顯卡簡介

2022年英特爾發布了代號為 Alchemist 的第一代消費級銳炫桌面獨立顯卡，當前英特爾京東自營旗艦店里銷售的主要型號為 A750 和 A770，其典型參數如下圖所示。

OpenVINO 從2022.2版開始支持英特爾獨立顯卡，包括英特爾數據中心 GPUFlex 系列和英特爾銳炫系列。

1.3在英特爾獨立顯卡上部署

YOLOv5-seg 模型的完整流程

在英特爾獨立顯卡上部署 YOLOv5-seg 模型的完整流程主要有三步：

1搭建 YOLOv5 開發環境和 OpenVINO 部署環境

2運行模型優化器（Model Optimizer）優化并轉換模型

3調用 OpenVINO Runtime API函數編寫模型推理程序，完成模型部署

本文將按照上述三個步驟，依次詳述。

1.3.1搭建 YOLOv5 開發環境和 OpenVINO 部署環境

最近的 YOLOv5 Github 代碼倉，即 YOLOv5 v7.0，已經將 openvino-dev[onnx] 寫入 requirement.txt 文件，當執行 pip install -r requirements.txt，會安裝完 YOLOv5 開發環境和 OpenVINO部署環境。

git clone https://github.com/ultralytics/yolov5 # clonecd yolov5
cd yolov5
pip install -r requirements.txt

向右滑動查看完整代碼

1.3.2驗證 YOLOv5 開發環境和 OpenVINO部署環境

執行完上述命令后，運行命令

python segmentpredict.py --source dataimages

向右滑動查看完整代碼

執行結果如下圖所示，說明 YOLOv5 開發環境和OpenVINO 部署環境已搭建成功。

1.3.3導出 yolov5s-seg OpenVINO IR 模型

使用命令：

python export.py --weights yolov5s-seg.pt --include onnx

向右滑動查看完整代碼

獲得 yolov5s-seg ONNX 格式模型：yolov5s-seg.onnx

然后運行命令：

mo -m yolov5s-seg.onnx --data_type FP16

獲得yolov5s-seg IR格式模型：yolov5s-seg.xml和yolov5s-seg.bin。

1.3.4用 Netron 工具查看 yolov5s-seg.onnx 模型的輸入和輸出

使用 Netron：https://netron.app/

查看 yolov5s-seg.onnx 模型的輸入和輸出，如下圖所示：

從圖中可以看出：yolov5s-seg 模型

? 輸入節點名字：“images”；數據：float32[1,3,640,640]

? 輸出節點1的名字：“output0”；數據：float32[1,25200,117]。

其中117的前85個字段跟 YOLOv5 定義完全一致，即檢測框信息；后32個字段用于計算掩膜數據。

? 輸出節點2的名字：“output1”；數據：float32[1,32,160,160]。output1 的輸出與 output0 后32個字段做矩陣乘法后得到的數據，即為對應目標的掩膜數據。

1.3.5使用 OpenVINO Runtime API 編寫 yolov5s-seg 推理程序

由于 yolov5s-seg 模型是在 YoLov5 模型的基礎上增加了掩膜輸出分支，所以圖像數據的預處理部分跟 YoLov5 模型一模一樣。

整個推理程序主要有五個關鍵步驟：

第一步：創建 Core 對象；

第二步：載入 yolov5s-seg 模型，并面向英特爾獨立顯卡編譯模型

第三步：對圖像數據進行預處理

第四步：執行 AI 推理計算

第五步：對推理結果進行后處理，并可視化處理結果。

整個代碼框架如下所示：

# Step1: Create OpenVINO Runtime Core
core = Core()
# Step2: Compile the Model, using dGPU A770m
net = core.compile_model("yolov5s-seg.xml", "GPU.1")
output0, output1 = net.outputs[0],net.outputs[1]
b,n,input_h,input_w = net.inputs[0].shape # Get the shape of input node
# Step3: Preprocessing for YOLOv5-Seg
# ...
# Step 4: Do the inference
outputs = net([blob])
pred, proto = outputs[output0], outputs[output1]
# Step 5 Postprocess and Visualize the result
# ...

向右滑動查看完整代碼

其中 YOLOv5-seg 的前處理跟 YOLOv5 一樣，范例代碼如下：

im, r, (dh, dw)= letterbox(frame, new_shape=(input_h,input_w)) # Resize to new shape by letterbox
im = im.transpose((2, 0, 1))[::-1] # HWC to CHW, BGR to RGB
im = np.ascontiguousarray(im) # contiguous
im = np.float32(im) / 255.0  # 0 - 255 to 0.0 - 1.0

向右滑動查看完整代碼

由于 YOLOv5 系列模型的輸入形狀是正方形，當輸入圖片為長方形時，直接調用 OpenCV 的 resize 函數放縮圖片會使圖片失真，所以 YOLOv5 使用letterbox 方式，將圖片以保持原始圖片長寬比例的方式放縮，然后用灰色color=(114, 114, 114)填充邊界，如下圖所示。

Letterbox 放縮效果

https://github.com/ultralytics/yolov5/blob/master/utils/augmentations.py#L111

YOLOv5-seg 的后處理跟 YOLOv5 幾乎一樣，需要對推理結果先做非極大值抑制。本文直接使用了 YOLOv5 自帶的 non_max_suppression() 函數來實現非極大值抑制，并拆解出檢測框(bboxes), 置信度(conf)，類別(class_ids)和掩膜(masks)。關鍵代碼如下：

from utils.general import non_max_suppression
pred = torch.tensor(pred)
pred = non_max_suppression(pred, nm=32)[0].numpy() #(n,38) tensor per image [xyxy, conf, cls, masks]
bboxes, confs, class_ids, masks= pred[:,:4], pred[:,4], pred[:,5], pred[:,6:]

向右滑動查看完整代碼

yolov5seg_ov2022_sync_dgpu.py 運行結果如下圖所示：

源代碼鏈接：

https://gitee.com/ppov-nuc/yolov5_infer/blob/main/yolov5seg_ov2022_sync_dGPU.py

1.4結論

YOLOv5 的實時實例分割程序通過 OpenVINO 部署在英特爾獨立顯卡上，可以獲得高速度與高精度。讀者還可以將程序通過 OpenVINO異步 API 升級為異步推理程序或者用 OpenVINO C++ API 改寫推理程序，這樣可以獲得更高的 AI 推理計算性能。