系统版本信息与依赖
- Window 10 64bit
- Pytorch1.7+CUDA10.0
- Python3.8.5
- VS2015
- OpenVINO_2021.2.185
YOLOv5下载与测试运行
YOLOv5是第二个非官方的YOLO对象检测版本，也是第一个Pytorch实现的YOLO对象检测版本。Github地址如下：
https://github.com/ultralytics/yolov5
需要克隆到本地
git clone https://github.com/ultralytics/yolov5.git
然后运行
pip install -r requirements.txt
安装所有依赖。
最后运行一段视频或者图像完成测试
python detect.py --source D:\images\video\SungEun.avi --weights yolov5s.pt --conf 0.25
视频测试结果如下：
图像测试结果如下：
模型转换
模型转换主要是把原始的YOLOv5的pytorch模型文件转换为通用的开放模型格式ONNX与OpenVIN特有的文件格式IR(*.xml与*.bin)。
OpenVINO从2020R02以后版本开始支持直接读取ONNX格式文件，所以我们既可以通过脚本直接导出onnx格式文件，直接给OpenVINO调用，也可以对得到ONNX文件通过OpenVINO的模型转换脚本做进一步转换生成IR中间格式(*.bin文件与*.xml文件)。
导出ONNX格式文件的脚本
Pytorch的YOLOv5项目本身已经提供了转换脚本，命令行运行方式如下：
# export at 640x640 with batch size 1python models/export.py --weights yolov5s.pt --img 640 --batch 1
然后生成的yolov5s.onnx文件就在同一目录下面。
ONNX转为为IR中间格式
把ONNX转换为IR中间格式，运行结果如下：
OpenVINO SDK+YOLOv5s代码演示
上面我们已经成功转换为YOLOv5s模型IR，现在就可以基于最新的SDK来说完成调用解析与调用。
第一步：
初始Core对象，读取模型（加载ONNX格式或者IR格式均可以，亲测有效）
// 创建IE插件, 查询支持硬件设备 Core ie; vector<string> availableDevices = ie.GetAvailableDevices(); for (int i = 0; i < availableDevices.size(); i++) { printf("supported device name : %s \n", availableDevices[i].c_str()); } // 加载检测模型 auto network = ie.ReadNetwork("D:/python/yolov5/yolov5s.xml", "D:/python/yolov5/yolov5s.bin"); // auto network = ie.ReadNetwork("D:/python/yolov5/yolov5s.onnx");
第二步：
设置输入与输出格式，YOLOv5s输入的图像被归一化到0~1之间，而且是RGB通道顺序，输入与输出格式设置数据为浮点数，这部分的代码如下：
// 设置输入格式 for (auto &item : input_info) { auto input_data = item.second; input_data->setPrecision(Precision::FP32); input_data->setLayout(Layout::NCHW); input_data->getPreProcess().setResizeAlgorithm(RESIZE_BILINEAR); input_data->getPreProcess().setColorFormat(ColorFormat::RGB); } // 设置输出格式 for (auto &item : output_info) { auto output_data = item.second; output_data->setPrecision(Precision::FP32); } auto executable_network = ie.LoadNetwork(network, "CPU");
第三步：
设置输入图像数据并实现推理预测
int64 start = getTickCount(); /** Iterating over all input blobs **/ for (auto & item : input_info) { auto input_name = item.first; /** Getting input blob **/ auto input = infer_request.GetBlob(input_name); size_t num_channels = input->getTensorDesc().getDims()[1]; size_t h = input->getTensorDesc().getDims()[2]; size_t w = input->getTensorDesc().getDims()[3]; size_t image_size = h*w; Mat blob_image; resize(src, blob_image, Size(w, h)); cvtColor(blob_image, blob_image, COLOR_BGR2RGB); // NCHW float* data = static_cast<float*>(input->buffer()); for (size_t row = 0; row < h; row++) { for (size_t col = 0; col < w; col++) { for (size_t ch = 0; ch < num_channels; ch++) { data[image_size*ch + row*w + col] = float(blob_image.at<Vec3b>(row, col)[ch])/255.0; } } } } // 执行预测 infer_request.Infer();
上面的代码跟SSD对象检测的OpenVINO调用基本上没有太大区别。主要的区别是在对推理完成结果的解析部分。
第四步：
解析输出结果，实现显示输出。要完成这个部分，首先需要看一下YOLOv5项目中的yolo.py中对推理部分的组装。
首先输出层，从YOLOv3开始到YOLOv5，输出层都是3层，分别对应的降采样的倍数是32、16、8。
以输入640x640大小的图像为例，得到三个输出层大小应该分别是20、40、80。每个层上对应三个尺度的anchor，表示如下：
模型的预测是在20x20、40x40、80x80每个输出层的每个特征点上预测三个框，每个框预测分类！
每个框的维度大小为 cx,cy,w,h,conf + number of class， 图示如下：
以YOLOv5项目的预训练模型是基于COCO的80个对象类别为例，在检测阶段最终三个输出层是：
1x3x20x20x85 1x3x40x40x85 1x3x80x80x85
电脑上实际加载模型之后的三个输出层实现运行结果：
然后循环每个输出层，解析每个特征点对应的3个框与相关数据。
由于在导出的时候ONNX格式文件时模型的推理得到的三个输出层原始结果，所以还需要对每个数据先完成sigmoid归一化，然后再计算相关值，这部分的代码实现我参考了项目中的yolo.py中的Detection部分，得到初始每个对象的检测框之后，采用OpenVINO中自带非最大抑制函数，完成非最大抑制，就得到了最终的预测框，然后绘制显示。
所以最终的解析输出层部分的代码如下：
for (int i = 0; i < side_square; ++i) { for (int c = 0; c < out_c; c++) { int row = i / side_h; int col = i % side_h; int object_index = c*side_data_square + row*side_data_w + col*side_data; // 阈值过滤 float conf = sigmoid_function(output_blob[object_index + 4]); if (conf < 0.25) { continue; } // 解析cx, cy, width, height float x = (sigmoid_function(output_blob[object_index]) * 2 - 0.5 + col)*stride; float y = (sigmoid_function(output_blob[object_index + 1]) * 2 - 0.5 + row)*stride; float w = pow(sigmoid_function(output_blob[object_index + 2]) * 2, 2)*anchors[anchor_index + c * 2]; float h = pow(sigmoid_function(output_blob[object_index + 3]) * 2, 2)*anchors[anchor_index + c * 2 + 1]; float max_prob = -1; int class_index = -1; // 解析类别 for (int d = 5; d < 85; d++) { float prob = sigmoid_function(output_blob[object_index + d]); if (prob > max_prob) { max_prob = prob; class_index = d - 5; } } // 转换为top-left, bottom-right坐标 int x1 = saturate_cast<int>((x - w / 2) * scale_x); // top left x int y1 = saturate_cast<int>((y - h / 2) * scale_y); // top left y int x2 = saturate_cast<int>((x + w / 2) * scale_x); // bottom right x int y2 = saturate_cast<int>((y + h / 2) * scale_y); // bottom right y // 解析输出 classIds.push_back(class_index); confidences.push_back((float)conf); boxes.push_back(Rect(x1, y1, x2 - x1, y2 - y1)); // rectangle(src, Rect(x1, y1, x2 - x1, y2 - y1), Scalar(255, 0, 255), 2, 8, 0); } }
非最大抑制的代码如下：
vector<int> indices; NMSBoxes(boxes, confidences, 0.25, 0.5, indices); for (size_t i = 0; i < indices.size(); ++i) { int idx = indices[i]; Rect box = boxes[idx]; rectangle(src, box, Scalar(140, 199, 0), 4, 8, 0); } float fps = getTickFrequency() / (getTickCount() - start); float time = (getTickCount() - start) / getTickFrequency();
官方的两张测试图像，测试结果如下：
