英特尔发行版 OpenVINO™ 工具套件基于 oneAPI 而开发，可以加快高性能计算机视觉和深度学习视觉应用开发速度工具套件，适用于从边缘到云的各种英特尔平台上，帮助用户更快地将更准确的真实世界结果部署到生产系统中。YOLOv10是清华大学研究人员近期提出的一种实时目标检测方法，通过消除NMS、优化模型架构和引入创新模块等策略，在保持高精度的同时显著降低了计算开销，为实时目标检测领域带来了新的突破。
在本文中，我们将演示如何使用Intel OpenVINO™ C++ API 部署YOLOv10目标检测模型，并使用 OpenVINO™ 异步推理接口实现模型推理加速。下面看一下YOLOv10模型在OpenVINO™上的运行效果吧：
【B站】YOLOv10在CPU上也能轻松实现50+FPS推理—使用OpenVINO C++部署YOLOv10实现异步推理
1. 前言
英特尔发行版 OpenVINO™ 工具套件基于 oneAPI 而开发，可以加快高性能计算机视觉和深度学习视觉应用开发速度工具套件，适用于从边缘到云的各种英特尔平台上，帮助用户更快地将更准确的真实世界结果部署到生产系统中。通过简化的开发工作流程，OpenVINO™ 可赋能开发者在现实世界中部署高性能应用程序和算法。
2024年4月25日，英特尔发布了开源 OpenVINO™ 2024.1 工具包，用于在各种硬件上优化和部署人工智能推理。更新了更多的 Gen AI 覆盖范围和框架集成，以最大限度地减少代码更改。同时提供了更广泛的 LLM 模型支持和更多的模型压缩技术。通过压缩嵌入的额外优化减少了 LLM 编译时间，改进了采用英特尔®高级矩阵扩展 （Intel® AMX） 的第 4 代和第 5 代英特尔®至强®处理器上 LLM 的第 1 令牌性能。通过对英特尔®锐炫™ GPU 的 oneDNN、INT4 和 INT8 支持，实现更好的 LLM 压缩和改进的性能。最后实现了更高的可移植性和性能，可在边缘、云端或本地运行 AI。
YOLOv10是清华大学研究人员近期提出的一种实时目标检测方法，该方法在Ultralytics Python包的基础上进行了多项创新和改进，主要有以下特点
- 消除非极大值抑制（NMS）：YOLOv10通过引入一致的双重分配策略，在训练时使用一对多的标签分配来提供丰富的监督信号，在推理时使用一对一的匹配，从而消除了对NMS的依赖。这一改进在保持高精度的同时，减少了推理延迟和计算量。
- 全面优化的模型架构：YOLOv10从推理效率和准确性的角度出发，全面优化了模型的各个组成部分。这包括采用轻量级分类头、空间通道去耦下采样和等级引导块设计等，以减少计算冗余并提高模型性能。
- 引入大核卷积和部分自注意模块：为了提高性能，YOLOv10在不增加大量计算成本的前提下，引入了大核卷积和部分自注意模块。
- 多种模型尺寸可选：官方发布了从N到X各种型号的模型，以满足不同应用的需求。这些模型包括超小型版本YOLOv10-N（用于资源极其有限环境）、小型版本YOLOv10-S（兼顾速度和精度）、中型版本YOLOv10-M（通用）、平衡型版本YOLOv10-B（宽度增加，精度更高）、大型版本YOLOv10-L（精度更高，但计算资源增加）以及超大型版本YOLOv10-X（可实现最高的精度和性能）。
通过广泛的实验验证，YOLOv10在多个模型尺度上实现了卓越的精度-延迟权衡。例如，在COCO数据集上，YOLOv10-S在相似精度下比其他实时目标检测方法更快，同时参数和浮点运算量也大幅减少。综上所述，YOLOv10通过消除NMS、优化模型架构和引入创新模块等策略，在保持高精度的同时显著降低了计算开销，为实时目标检测领域带来了新的突破。
2. 项目开发环境
下面简单介绍一下项目的开发环境，开发者可以根据自己的设备情况进行配置：
- 系统平台：Windows 11
- Intel Core i7-1165G7
- 开发平台：Visual Studio 2022
- OpenVINO™：2024.1.0
- OpenCV：4.8.0
此处代码开发平台使用的是C++，因此在项目配置时，需要配置第三方依赖库，分别是 OpenVINO™和OpenCV两个个依赖库，其配置方式此处不做详述。
3. 模型获取与INT8量化
为了提升模型的推理速度，我们此处使用 OpenVINO™ 进行推理加速，并使用OpenVINO™NNCF 工具对模型进行一个INT8量化。量化的详细流程可以参考下面notebooks，该notebooks记录了YOLOv10使用OpenVINO™量化的详细流程，链接如下所示：
openvino_notebooks/notebooks/yolov10-optimization
模型量化完成后，我们对比了一下量化前后模型变化，如下图所示：
4. 定义YOLOv10 Process
4.1 数据预处理
数据预处理此处通过OpenCV实现，将输入的图片数据转为模型需要的数据情况，代码如下所示：
void pre_process(cv::Mat* img, int length, float* factor, std::vector<float>& data) {cv::Mat mat;int rh = img->rows;int rw = img->cols;int rc = img->channels();cv::cvtColor(*img, mat, cv::COLOR_BGR2RGB);int max_image_length = rw > rh ? rw : rh;cv::Mat max_image = cv::Mat::zeros(max_image_length, max_image_length, CV_8UC3);max_image = max_image * 255;cv::Rect roi(0, 0, rw, rh);mat.copyTo(cv::Mat(max_image, roi));cv::Mat resize_img;cv::resize(max_image, resize_img, cv::Size(length, length), 0.0f, 0.0f, cv::INTER_LINEAR);*factor = (float)((float)max_image_length / (float)length);resize_img.convertTo(resize_img, CV_32FC3, 1 / 255.0);rh = resize_img.rows;rw = resize_img.cols;rc = resize_img.channels();for (int i = 0; i < rc; ++i) {cv::extractChannel(resize_img, cv::Mat(rh, rw, CV_32FC1, data.data() + i * rh * rw), i);}
}
在调用时也相对简单，将相关变量传入即可，代码如下所示：
Mat frame = new frame();
std::vector<float> input_data(640 * 640 * 3);
float factor = 0;
pre_process(&frame, 640, &factor, input_data);
4.2 结果后处理
首先此处定义了一个结果类：
struct DetResult {cv::Rect bbox;float conf;int lable;DetResult(cv::Rect bbox,float conf,int lable):bbox(bbox),conf(conf),lable(lable){}
};
然后定义模型的结果处理方式，代码如下所示：
std::vector<DetResult> post_process(float* result, float factor, int outputLength) {std::vector<cv::Rect> position_boxes;std::vector <int> class_ids;std::vector <float> confidences;// Preprocessing output resultsfor (int i = 0; i < outputLength; i++){int s = 6 * i;if ((float)result[s + 4] > 0.2){float cx = result[s + 0];float cy = result[s + 1];float dx = result[s + 2];float dy = result[s + 3];int x = (int)((cx)*factor);int y = (int)((cy)*factor);int width = (int)((dx - cx) * factor);int height = (int)((dy - cy) * factor);cv::Rect box(x, y, width, height);position_boxes.push_back(box);class_ids.push_back((int)result[s + 5]);confidences.push_back((float)result[s + 4]);}}std::vector<DetResult> re;for (int i = 0; i < position_boxes.size(); i++){DetResult det(position_boxes[i], confidences[i], class_ids[i]);re.push_back(det);}return re;}
最后为了让结果可视化，定义了结果绘制方法，代码如下所示：
void draw_bbox(cv::Mat& img, std::vector<DetResult>& res) {for (size_t j = 0; j < res.size(); j++) {cv::rectangle(img, res[j].bbox, cv::Scalar(255, 0, 255), 2);cv::putText(img, std::to_string(res[j].lable) + "-" + std::to_string(res[j].conf),cv::Point(res[j].bbox.x, res[j].bbox.y - 1), cv::FONT_HERSHEY_PLAIN,1.2, cv::Scalar(0, 0, 255), 2);}
}
上述方式调用依旧十分容易，使用代码如下所示：
std::vector<float> output_data(300 * 6);
std::vector<DetResult> result = post_process(output_data.data(), factor, 300);
draw_bbox(frame, result);
5. 模型推理实现
5.1 基本推理实现
首先实现一下常规的同步推理代码，如下面所示：
void yolov10_infer_without_process() {std::string videoPath = "E:\\Text_dataset\\car_test.mov";std::string model_path = "E:\\Text_Model\\yolov10s_openvino_model\\yolov10s.xml";ov::Core core;auto model = core.read_model(model_path);auto compiled_model = core.compile_model(model, "CPU");
ov::InferRequest request =compiled_model.create_infer_request();cv::VideoCapture capture(videoPath);if (!capture.isOpened()) {std::cerr << "ERROR: 视频无法打开" << std::endl;return;}float factor = 0;request.get_input_tensor().set_shape(std::vector<size_t>{1, 3, 640, 640});std::vector<float> inputData(640 * 640 * 3);std::chrono::time_point<std::chrono::steady_clock> t_beg;std::chrono::time_point<std::chrono::steady_clock> t_end;while (true){cv::Mat frame;if (!capture.read(frame)) {break;}t_beg = std::chrono::high_resolution_clock::now();pre_process(&frame, 640, &factor, inputData);memcpy(request.get_input_tensor().data<float>(), inputData.data(), 640 * 640 * 3);request.infer();float* output_data = request.get_output_tensor().data<float>();std::vector<DetResult> result = post_process(output_data, factor, 300);t_end = std::chrono::high_resolution_clock::now();cv::putText(frame, "FPS: " + std::to_string(1000.0 / std::chrono::duration<float, std::milli>(t_end - t_beg).count()) + ", Time: " + std::to_string(std::chrono::duration<float, std::milli>(t_end - t_beg).count()) + "ms",cv::Point(20, 40), 1, 2, cv::Scalar(255, 0, 255), 2);draw_bbox(frame, result);imshow("读取视频", frame);cv::waitKey(1); //延时30}cv::destroyAllWindows();return;
}
5.2 使用异步推理实现
视频一般1s中有25帧左右，这就意味着我们需要1s推理25张图片才可以实现视频推理。一般情况下，在CPU设备推理视觉模型很难实现实时推理，我们在使用 OpenVINO™推理时，经过一些优化技术后，勉强可以实现25FPS的推理，但是如果需要处理其他业务将会很难实现。因此为了提升推理速度，我们采用异步推理技术，实现代码如下所示：
void yolov10_infer_ansy_without_process() {std::string videoPath = "E:\\Text_dataset\\car_test.mov";std::string model_path = "E:\\Text_Model\\yolov10s_openvino_model\\yolov10s.xml";ov::Core core;auto model = core.read_model(model_path);auto compiled_model = core.compile_model(model, "CPU");std::vector<ov::InferRequest>requests = { compiled_model.create_infer_request(), compiled_model.create_infer_request() };cv::VideoCapture capture(videoPath);// 检查摄像头是否成功打开if (!capture.isOpened()) {std::cerr << "ERROR: 视频无法打开" << std::endl;return;}float factor = 0;requests[0].get_input_tensor().set_shape(std::vector<size_t>{1, 3, 640, 640});requests[1].get_input_tensor().set_shape(std::vector<size_t>{1, 3, 640, 640});cv::Mat frame;capture.read(frame);std::vector<float> inputData(640 * 640 * 3);pre_process(&frame, 640, &factor, inputData);memcpy(requests[0].get_input_tensor().data<float>(), inputData.data(), 640 * 640 * 3);requests[0].start_async();std::chrono::time_point<std::chrono::steady_clock> t_beg;std::chrono::time_point<std::chrono::steady_clock> t_end;while (true){cv::Mat next_frame;if (!capture.read(next_frame)) {break;}t_beg = std::chrono::high_resolution_clock::now();pre_process(&next_frame, 640, &factor, inputData);memcpy(requests[1].get_input_tensor().data<float>(), inputData.data(), 640 * 640 * 3);requests[1].start_async();requests[0].wait();float* output_data = requests[0].get_output_tensor().data<float>();std::vector<DetResult> result = post_process(output_data, factor, 300);t_end = std::chrono::high_resolution_clock::now();draw_bbox(frame, result);cv::putText(frame, "FPS: " + std::to_string(1000.0 / std::chrono::duration<float, std::milli>(t_end - t_beg).count())+ ", Time: " + std::to_string(std::chrono::duration<float, std::milli>(t_end - t_beg).count()) + "ms",cv::Point(20, 40), 1, 2, cv::Scalar(255, 0, 255), 2);imshow("读取视频", frame);cv::waitKey(1); //延时30frame = next_frame;std::swap(requests[0], requests[1]);}cv::destroyAllWindows();return;
}
文章中已经提供了全部代码文件以及模型的获取方式，如果您还有任何疑问，可以下载现成的文件资源。为了方便开发者使用，我们将代码、测试视频与模型文件以及项目所需依赖打包，发布到了CSDN上，大家可以根据自己需求进行下载，下载链接：
https://download.csdn.net/download/Grape_yan/89473342
6. 时间测试
最后我们对推理时间进行了测试，分别测试了量化前后模型在同步推理以及异步推理的表现，如下表所示：
| Model | API | PrePocess | Inference | PostProcess | Total | FPS |
|---|---|---|---|---|---|---|
| Float 32 | Sync | 9.72 ms | 65.44 ms | 0 ms | 75.16 ms | 13.30 |
| Float 32 | Async | 15.29 ms | 40.52 ms | 0 ms | 55.81 ms | 17.92 |
| INT 8 | Sync | 15.25 ms | 25.64 ms | 0 ms | 43.89 ms | 22.78 |
| INT 8 | Async | 17.84 ms | 1.86 ms | 0 ms | 19.70 ms | 50.76 |
通过该表可以看出，量化前后，模型推理速度提升了1.5倍，并且通过使用异步推理接口，经过IN8量化后的模型，在本设备上可以实现50FPS的推理速度，与为量化的模型相比，速度推升了2.8倍。通过异步接口，我们可以在CPU下轻松的实现视频推理。
7. 总结
在本文中，我们演示了如何使用Intel OpenVINO™ C++ API 部署YOLOv10目标检测模型，并使用 OpenVINO™ 异步推理接口实现模型推理加速。 最后如果各位开发者在使用中有任何问题，欢迎大家与我联系。
