作者：

顏國進 英特爾邊緣計算創新大使

2024英特爾“走近開發者”互動活動-哪吒開發套件免費試 用 AI 創新計劃：哪吒開發板是專為支持入門級邊緣 AI 應用程序和設備而設計，能夠滿足人工智能學習、開發、實訓等應用場景。為了測試該開發板的推理性能，同時測試所推出的 OpenVINO C# API (https://github.com/guojin-yan/OpenVINO-CSharp-API) 項目能否應用到該開發板上，我們使用該開發板，結合 OpenVINO C# API 的異步推理功能，加速深度學習推理速度。

1哪吒開發板

1.1 產品簡介

哪吒（Nezha）開發套件以信用卡大小（85 x 56mm）的開發板-哪吒（Nezha）為核心，哪吒采用Intel N97處理器（Alder Lake-N），最大睿頻 3.6GHz，Intel UHD Graphics 內核 GPU，可實現高分辨率顯示；板載 LPDDR5 內存、eMMC 存儲及 TPM 2.0，配備 GPIO 接口，支持 Windows 和 Linux 操作系統，這些功能和無風扇散熱方式相結合，為各種應用程序構建高效的解決方案，適用于如自動化、物聯網網關、數字標牌和機器人等應用。

該開發板是類樹莓派的 x86 主機，可支持 Linux Ubuntu 及完整版 Windows 操作系統。板載英特爾 N97 處理器，最高運行頻率可達 3.6 GHz，且內置顯卡（iGPU），板載 64GB eMMC 存儲及 LPDDR5 4800MHz（4GB/8GB），支持 USB 3.0、HDMI 視頻輸出、3.5mm 音頻接口、1000Mbps 以太網口。完全可把它作為一臺 mini 小電腦來看待，且其可外接 Arduino，STM32 等單片機，擴展更多應用及各種傳感器模塊。

此外, 其主要接口與 Jetson Nano 載板兼容，GPIO 與樹莓派兼容，能夠最大限度地復用樹莓派、Jetson Nano 等生態資源，無論是自動化、物聯網網關、數字標牌或是攝像頭物體識別、3D 打印，還是 CNC 實時插補控制都能穩定運行。可作為邊緣計算引擎用于人工智能產品驗證、開發；也可以作為域控核心用于機器人產品開發。

1.2 功能特點

Intel Processor N97

板載 LPDDR5 內存, 8GB

板載 eMMC 存儲, 64GB

1Gigabit LAN x 1

HDMI 1.4b x 1

USB 3.2 Gen 2 (Type-A) x 3, 10針 USB 2.0 x 2/UART x 1

40針 GPIO x 1

12V 直流輸入, 5A

TPM 2.0

下圖為哪吒開發板產品介紹圖片：

2環境配置

2.1NET 8.0 安裝

進入微軟官網下載地址：

https://dotnet.microsoft.com/zh-cn/download

顯示如下頁面直接下載即可：

下載完成過后，右擊以管理員方式運行即可，進入一下頁面后，直接點擊安裝，按照默認方式安裝即可：

安裝完成后，在 CMD 中輸入 dotnet --info 指令，查看是否安裝成功:

2.2VS Code 配置 C# 環境

VS Code 安裝較為簡單，大家直接網上下載安裝包安裝即可，此處不做太多的贅述。進入 VS Code，在擴展中，依次安裝一下插件：

安裝完成后，便可以進行 C# 項目編輯。

3創建并配置 YOLOv8 推理項目

3.1創建 YOLOv8 推理項目

此處我們使用 CMD 創建項目，首先輸入以下指令：

dotnet new console -o yolov8_async_csharp -f net8.0

輸入指令后，結果如下圖所示：

3.2配置 YOLOv8 推理項目

該項目中需要配置 OpenCV 和 OpenVINO 依賴，其中 OpenCV 我們在 C# 使用的是 OpenCvSharp4，而 OpenVINO 就是使用的我們開發的[OpenVINO C# API] (https://github.com/guojin-yan/OpenVINO-CSharp-API) 項目，該項目均可以通過 NUGET 安裝，在該項目中，輸入以下指令，進行以來安裝：

OpenCvSharp4 安裝指令：

dotnet add package OpenCvSharp4 --version 4.9.0.20240103
dotnet add package OpenCvSharp4.runtime.win --version 4.9.0.20240103

OpenVINO C# API 安裝指令：

dotnet add package OpenVINO.CSharp.API --version 2024.3.0.2
dotnet add package OpenVINO.runtime.win --version 2024.3.0.1
dotnet add package OpenVINO.CSharp.API.Extensions.OpenCvSharp --version 1.0.6.1

4編寫推理代碼

下面為該項目所使用的所有代碼，為了提高推理速度，此處使用的為異步推理過程。

using OpenCvSharp.Dnn;
using OpenCvSharp;
using OpenVinoSharp;
using OpenVinoSharp.Extensions.result;
using OpenVinoSharp.Extensions.process;
using System.Diagnostics;
using OpenVinoSharp.preprocess;
namespace openvino_async_csharp
{
  internal class Program
 {
    static void Main(string[] args)
{
      Console.WriteLine("Hello, World!");
      yolov8_async_det();
   }
    static void yolov8_async_det()
{
      string video_path = "video.mp4";
      string model_path = "yolov8s.onnx";
      Core core = new Core();
      Model model = core.read_model(model_path);
      CompiledModel compiled_model = core.compile_model(model, "GPU.0");
      VideoCapture capture = new VideoCapture(video_path);
      if (!capture.IsOpened())
     {
        Console.WriteLine("ERROR: 視頻無法打開");
        return;
     }
      List requests = new List { compiled_model.create_infer_request(), compiled_model.create_infer_request() };
      Mat frame = new Mat();
      capture.Read(frame);
      float factor = 0f;
      float[] input_data = preprocess(frame, out factor);
      requests[0].get_input_tensor().set_data(input_data);
      requests[0].start_async();
      Stopwatch sw = new Stopwatch();
      float[] total_infs = new float[3];


      while (true)
     {
        Mat next_frame = new Mat();
        if (!capture.Read(next_frame))
       {
          break;
       }
        sw.Restart();
        input_data = preprocess(frame, out factor);
        requests[1].get_input_tensor().set_data(input_data);
        sw.Stop();
        total_infs[0] = sw.ElapsedMilliseconds;
        sw.Restart();
        requests[1].start_async();
        requests[0].wait();
        sw.Stop();
        total_infs[1] = sw.ElapsedMilliseconds;
        sw.Restart();
        float[] output_data = requests[0].get_output_tensor().get_data(8400 * 84);
        DetResult result = postprocess(output_data, factor);
        sw.Stop();
        total_infs[2] = sw.ElapsedMilliseconds;


        Cv2.PutText(frame, "PreProcess: " + (1000.0 / total_infs[0]).ToString("0.00") + "FPS " + (total_infs[0]).ToString("0.00") + "ms",
          new Point(20, 40), HersheyFonts.HersheyPlain, 2, new Scalar(255, 0, 255), 2);
        Cv2.PutText(frame, "Inference: " + (1000.0 / total_infs[1]).ToString("0.00") + "FPS " + (total_infs[1]).ToString("0.00") + "ms",
          new Point(20, 70), HersheyFonts.HersheyPlain, 2, new Scalar(255, 0, 255), 2);
        Cv2.PutText(frame, "PostProcess: " + (1000.0 / total_infs[2]).ToString("0.00") + "FPS " + (total_infs[2]).ToString("0.00") + "ms",
          new Point(20, 100), HersheyFonts.HersheyPlain, 2, new Scalar(255, 0, 255), 2);
        Cv2.PutText(frame, "Total: " + (1000.0 / (total_infs[0] + total_infs[1] + total_infs[2])).ToString("0.00")
          + "FPS  " + ((total_infs[0] + total_infs[1] + total_infs[2])).ToString("0.00") + "ms",
          new Point(20, 130), HersheyFonts.HersheyPlain, 2, new Scalar(255, 0, 255), 2);
        Mat res_mat = Visualize.draw_det_result(result, frame);
        Cv2.ImShow("Result", res_mat);
        Cv2.WaitKey(10);
        swap(requests);
        frame = next_frame;
     }
   }
    public static float[] preprocess(Mat img, out float factor)
   {
      Mat mat = new Mat();
      Cv2.CvtColor(img, mat, ColorConversionCodes.BGR2RGB);
      mat = Resize.letterbox_img(mat, 640, out factor);
      mat = Normalize.run(mat, true);
      return Permute.run(mat);
   }
    public static DetResult postprocess(float[] result, float factor)
{
      // Storage results list
      List positionBoxes = new List();
      List classIds = new List();
      List confidences = new List();
      // Preprocessing output results
      for (int i = 0; i < 8400; i++)
 ? ? ? ? ?{
 ? ? ? ? ? ? ? for (int j = 4; j < 84; j++)
 ? ? ? ? ? ? ?{
 ? ? ? ? ? ? ? ? ? float source = result[8400 * j + i];
 ? ? ? ? ? ? ? ? ? int label = j - 4;
 ? ? ? ? ? ? ? ? ? if (source > 0.2)
         {
            float maxSource = source;
            float cx = result[8400 * 0 + i];
            float cy = result[8400 * 1 + i];
            float ow = result[8400 * 2 + i];
            float oh = result[8400 * 3 + i];
            int x = (int)((cx - 0.5 * ow) * factor);
            int y = (int)((cy - 0.5 * oh) * factor);
            int width = (int)(ow * factor);
            int height = (int)(oh * factor);
            Rect box = new Rect(x, y, width, height);
            positionBoxes.Add(box);
            classIds.Add(label);
            confidences.Add(maxSource);
         }
       }
     }
      DetResult re = new DetResult();
      int[] indexes = new int[positionBoxes.Count];
      CvDnn.NMSBoxes(positionBoxes, confidences, 0.2f, 0.5f, out indexes);
      for (int i = 0; i < indexes.Length; i++)
 ? ? ? ? ?{
 ? ? ? ? ? ? ? int index = indexes[i];
 ? ? ? ? ? ? ? re.add(classIds[index], confidences[index], positionBoxes[index]);
 ? ? ? ? ?}
 ? ? ? ? ? return re;
 ? ? ?}


 ? ? ? public static void swap(List requests) 
{
      //(requests[0], requests[1]) = (requests[1], requests[0]);
      var tmp = requests[0];
      requests[0] = requests[1];
      requests[1] = tmp;
   }
 }
}

打開創建的項目，編輯 Program.cs 文件，將上述代碼替換該文件中的代碼即可。

5項目編譯與運行

輸入以下指令后進行項目編譯：

dotnet build --configuration Release

通過上圖可以看出，該項目編譯成功，未出現任何問題，接下來輸入以下指令進行項目運行:

dotnet run --configuration Release

上圖為運行后的輸出和推理效果，可以看出使用異步推理后，可以實現20幀以上的推理速度。

為了對比推理效果，此處還開展了同步推理實現，異步推理速度可以實現到 25FPS 以上，而同步推理只能達到 12FPS 左右，其推理速度提升了一倍，且滿足視頻的實時推理要求。

6總結

在該項目中，我們使用哪吒開發板套件，通過前期推出的 OpenVINO C# API 項目，實現了在開發板環境下部署 YOLOv8 模型，并進行了視頻推理測試。在使用哪吒開發板套件的 IGPU 設備進行推理時，其推理速度平均可以達到 25FPS 以上，可以實現視頻實時推理。