【哪吒开发板试用】使用 OpenVINO™ C# 异步推理接口部署YOLOv8 ——在哪吒开发板上也可以实现视频推理
2024 Intel®“走近开发者”互动活动-哪吒开发套件免费试用AI创新计划：哪吒开发板是专为支持入门级边缘AI应用程序和设备而设计，能够满足人工智能学习、开发、实训等应用场景。为了测试该开发板的推理性能，同时测试所推出的OpenVINO™ C# API项目能否应用到该开发板上，我们使用该开发板，结合OpenVINO™ C#
2024 Intel®“走近开发者”互动活动-哪吒开发套件免费试用AI创新计划：哪吒开发板是专为支持入门级边缘AI应用程序和设备而设计，能够满足人工智能学习、开发、实训等应用场景。为了测试该开发板的推理性能，同时测试所推出的OpenVINO™ C# API项目能否应用到该开发板上，我们使用该开发板，结合OpenVINO™ C# API的异步推理功能，加速深度学习推理速度。
1. 哪吒开发板
产品简介
哪吒（Nezha）开发套件以信用卡大小（85 x 56mm）的开发板-哪吒（Nezha）为核心，哪吒采用Intel® N97处理器（Alder Lake-N），最大睿频3.6GHz，Intel® UHD Graphics内核GPU，可实现高分辨率显示；板载LPDDR5内存、eMMC存储及TPM 2.0，配备GPIO接口，支持Windows和Linux操作系统，这些功能和无风扇散热方式相结合，为各种应用程序构建高效的解决方案，适用于如自动化、物联网网关、数字标牌和机器人等应用。
该开发板是类树莓派的x86主机，可支持Linux Ubuntu及完整版Windows操作系统。板载英特尔 N97处理器，最高运行频率可达3.6 GHz，且内置显卡（iGPU），板载 64GB eMMC存储及LPDDR5 4800MHz（4GB/8GB），支持USB 3.0、HDMI视频输出、3.5mm音频接口、1000Mbps以太网口。完全可把它作为一台mini小电脑来看待，且其可外接Arduino，STM32等单片机，扩展更多应用及各种传感器模块。
此外, 其主要接口与Jetson Nano载板兼容，GPIO与树莓派兼容，能够最大限度地复用树莓派、Jetson Nano等生态资源，无论是自动化、物联网网关、数字标牌或是摄像头物体识别、3D打印，还是CNC实时插补控制都能稳定运行。可作为边缘计算引擎用于人工智能产品验证、开发；也可以作为域控核心用于机器人产品开发。
功能特点
-
Intel® Processor N97
-
板载LPDDR5内存, 8GB
-
板载eMMC存储, 64GB
-
1Gigabit LAN x 1
-
HDMI 1.4b x 1
-
USB 3.2 Gen 2 (Type-A) x 3, 10针 USB 2.0 x 2/UART x 1
-
40针 GPIO x 1
-
12V直流输入, 5A
-
TPM 2.0
下图为哪吒开发板产品介绍图片
|
|
|
2. 环境配置
2.1 .NET 8.0安装
进入微软官网下载地址https://dotnet.microsoft.com/zh-cn/download，显示如下页面直接下载即可
下载完成过后，右击以管理员方式运行即可，进入一下页面后，直接点击安装，按照默认方式安装即可
安装完成后，在CMD中输入dotnet --info指令，查看是否安装成功:
2.2 VS Code配置C#环境
VS Code安装较为简单，大家直接网上下载安装包安装即可，此处不做太多的赘述。进入VS Code，在扩展中，依次安装一下插件：
安装完成后，便可以进行C#项目编辑。
3. 创建并配置YOLOv8推理项目
3.1 创建YOLOv8推理项目
此处我们使用CMD创建项目，首先输入以下指令：
dotnet new console -o yolov8_async_csharp -f net8.0
输入指令后，结果如下图所示，
3.2配置YOLOv8推理项目
该项目中需要配置OpenCV和 OpenVINO™依赖，其中OpenCV我们在C#使用的是OpenCvSharp4，而 OpenVINO™就是使用的我们开发的OpenVINO™ C# APII项目，该项目均可以通过NUGET安装，在该项目中，输入以下指令，进行以来安装：
-
OpenCvSharp4安装指令：
dotnet add package OpenCvSharp4 --version 4.9.0.20240103
dotnet add package OpenCvSharp4.runtime.win --version 4.9.0.20240103
-
OpenVINO™ C# API 安装指令：
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. 编写推理代码
下面为该项目所使用的所有代码，为了提高推理速度，此处使用的为异步推理过程。
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: 视频无法打开");
return;
}
List<InferRequest> requests = new List<InferRequest> { 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<float>(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<Rect> positionBoxes = new List<Rect>();
List<int> classIds = new List<int>();
List<float> confidences = new List<float>();
// 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<InferRequest> requests)
{
//(requests[0], requests[1]) = (requests[1], requests[0]);
var tmp = requests[0];
requests[0] = requests[1];
requests[1] = tmp;
}
}
}
打开创建的项目，编辑Program.cs文件，将上述代码替换该文件中的代码即可。
5. 项目编译与运行
输入以下指令后进行项目编译：
dotnet build --configuration Release
通过上图可以看出，该项目编译成功，未出现任何问题，接下来输入以下指令进行项目运行:
dotnet run --configuration Release
上图为运行后的输出和推理效果，可以看出使用异步推理后，可以实现20帧以上的推理速度。
6. 效果对比
为了对比推理效果，此处还开展了同步推理实现，对比视频如下所示：
-
异步推理效果视频：
-
同步推理效果视频：
可以看出，异步推理速度可以实现到25FPS以上，而同步推理只能达到12FPS左右，其推理速度提升了一倍，且满足视频的实时推理要求。
7. 总结
在该项目中，我们使用哪吒开发板套件，通过前期推出的OpenVINO™ C# API项目，实现了在开发板环境下部署YOLOv8模型，并进行了视频推理测试。在使用哪吒开发板套件的IGPU设备进行推理时，其推理速度平均可以达到25FPS以上，可以实现视频实时推理。
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。
为开发者提供丰富的英特尔开发套件资源、创新技术、解决方案与行业活动。欢迎关注！
更多推荐
1
0- 0
已为社区贡献2条内容
所有评论(0)