作者：英特尔物联网行业创新大使 杨雪锋

本案例适用于x86以上英特尔平台

目录

1.1 简介

1.2 导出YOLOv8-seg 实例分割OpenVINO IR模型

1.3 用benchmark_app测试YOLOv8-seg实例分割模型的推理计算性能

1.4 使用OpenVINO Python 编写YOLOv8-seg实例分割模型推理程序

​​​​​1.5 结论

---

1.1 简介

《在英特尔开发套件上用OpenVINO加速YOLOv8目标检测模型》介绍了在英特尔开发套件上使用OpenVINO™ 开发套件部署并测评YOLOv8的目标检测模型，本文将介绍在英特尔开发套件上使用OpenVINO™加速YOLOv8-seg实例分割模型。

请先下载本文的范例代码仓，并搭建好YOLOv8的OpenVINO推理程序开发环境。

git clone https://gitee.com/ppov-nuc/yolov8_openvino.git

1.2 导出YOLOv8-seg 实例分割OpenVINO IR模型

        YOLOv8-seg的实例分割模型有5种，在COCO数据集完成训练，如下表所示。

        首先使用命令：yolo export model=yolov8n-seg.pt format=onnx，完成yolov8n-seg.onnx模型导出，如下图所示。

        然后使用命令：mo -m yolov8n-seg.onnx --compress_to_fp16，优化并导出FP16精度的OpenVINO IR格式模型，如下图所示。

1.3 用benchmark_app测试YOLOv8-seg实例分割模型的推理计算性能

     benchmark_app是OpenVINOTM工具套件自带的AI模型推理计算性能测试工具，可以指定在不同的计算设备上，在同步或异步模式下，测试出不带前后处理的纯AI模型推理计算性能。

        使用命令：benchmark_app -m yolov8n-seg.xml -d GPU，获得yolov8n-seg.xml模型在英特尔开发套件的集成显卡上的异步推理计算性能，如下图所示。

1.4 使用OpenVINO Python 编写YOLOv8-seg实例分割模型推理程序

        用Netron打开yolov8n-seg.onnx可以看到模型的输入和输出，跟YOLOv5-seg模型的输入输出定义很类似：

1. 输入节点名字：“images”；数据： float32[1,3,640,640]
2. 输出节点1的名字：“output0”；数据：float32[1,116,8400]。其中116的前84个字段跟 YOLOv8目标检测模型输出定义完全一致，即cx,cy,w,h和80类的分数；后32个字段用于计算掩膜数据。
3. 输出节点2的名字：“output1”；数据：float32[1,32,160,160]。output0后32个字段与output1的数据做矩阵乘法后得到的结果，即为对应目标的掩膜数据。

        基于OpenVINO Python API的YOLOv8-seg实例分割模型范例程序yolov8_seg_ov_sync_infer_demo.py的核心源代码，如下所示：

# Initialize the VideoCapture

cap = cv2.VideoCapture("store-aisle-detection.mp4")

# Initialize YOLOv5 Instance Segmentator

model_path = "yolov8n-seg.xml"

device_name = "GPU"

yoloseg = YOLOSeg(model_path, device_name, conf_thres=0.3, iou_thres=0.3)

while cap.isOpened():

    # Read frame from the video

    ret, frame = cap.read()

    if not ret:

        break

    # Update object localizer

    start = time.time()

    boxes, scores, class_ids, masks = yoloseg(frame)

    # postprocess and draw masks

    combined_img = yoloseg.draw_masks(frame)

    end = time.time()

    # show FPS

    fps = (1 / (end - start))

    fps_label = "Throughput: %.2f FPS" % fps

    cv2.putText(combined_img, fps_label, (10, 25), cv2.FONT_HERSHEY_SIMPLEX, 1, (0, 0, 255), 2)

    # show ALL

    cv2.imshow("YOLOv8 Segmentation OpenVINO inference Demo", combined_img)

    # Press Any key stop

    if cv2.waitKey(1) > -1:

        print("finished by user")

        break

运行结果，如下图所示：

​​​​​1.5 结论

英特尔开发套件借助N5105处理器的集成显卡(24个执行单元)和OpenVINO，可以在YOLOv8-seg的实例分割模型上获得相当不错的性能。通过异步处理和AsyncInferQueue，还能进一步提升计算设备的利用率，提高AI推理程序的吞吐量。下一篇将继续介绍在《在英特尔开发套件上用OpenVINO加速YOLOv8-pose姿态检测模型》。