【OpenVINO™】在C#中使用 OpenVINO™ 部署 YOLOv10 模型实现目标

文文文文文文文

     最近YOLO家族又添新成员：YOLOv10，YOLOv10 提出了一种一致的双任务方法，用于无nms训练的YOLOs，它同时带来了具有竞争力的性能和较低的推理延迟。此外，还介绍了整体效率-精度驱动的模型设计策略,从效率和精度两个角度对YOLOs的各个组成部分进行了全面优化，大大降低了计算开销，增强了性能。在本文中，我们将结合OpenVINO™ C# API 使用最新发布的OpenVINO™ 2024.1部署YOLOv10 目标检测模型
     OpenVINO™ C# API项目链接：

1. https://github.com/guojin-yan/OpenVINO-CSharp-API.git

复制代码

     使用 OpenVINO™ C# API 部署 YOLOv10 全部源码：

1. https://github.com/guojin-yan/OpenVINO-CSharp-API-Samples/blob/master/model_samples/yolov10/

复制代码

1. 前言

1.1 OpenVINO™ C# API

     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。
     OpenVINO™ C# API 是一个 OpenVINO™ 的 .Net wrapper，应用最新的 OpenVINO™ 库开发，通过 OpenVINO™ C API 实现 .Net 对 OpenVINO™ Runtime 调用，使用习惯与 OpenVINO™ C++ API 一致。OpenVINO™ C# API 由于是基于 OpenVINO™ 开发，所支持的平台与 OpenVINO™ 完全一致，具体信息可以参考 OpenVINO™。通过使用 OpenVINO™ C# API，可以在 .NET、.NET Framework等框架下使用 C# 语言实现深度学习模型在指定平台推理加速。
     下表为当前发布的 OpenVINO™ C# API NuGet Package，支持多个目标平台，可以通过NuGet一键安装所有依赖。
Core Managed Libraries

PackageDescriptionLinkOpenVINO.CSharp.APIOpenVINO C# API core libraries

OpenVINO.CSharp.API.ExtensionsOpenVINO C# API core extensions libraries

OpenVINO.CSharp.API.Extensions.OpenCvSharpOpenVINO C# API core extensions libraries use OpenCvSharp

OpenVINO.CSharp.API.Extensions.EmguCVOpenVINO C# API core extensions libraries use EmguCV

Native Runtime Libraries

PackageDescriptionLinkOpenVINO.runtime.winNative bindings for Windows

OpenVINO.runtime.ubuntu.22-x86_64Native bindings for ubuntu.22-x86_64

OpenVINO.runtime.ubuntu.20-x86_64Native bindings for ubuntu.20-x86_64

OpenVINO.runtime.ubuntu.18-x86_64Native bindings for ubuntu.18-x86_64

OpenVINO.runtime.debian9-arm64Native bindings for debian9-arm64

OpenVINO.runtime.debian9-armhfNative bindings for debian9-armhf

OpenVINO.runtime.centos7-x86_64Native bindings for centos7-x86_64

OpenVINO.runtime.rhel8-x86_64Native bindings for rhel8-x86_64

OpenVINO.runtime.macos-x86_64Native bindings for macos-x86_64

OpenVINO.runtime.macos-arm64Native bindings for macos-arm64

1.2 YOLOv10

     在过去的几年里，由于在计算成本和检测性能之间取得了有效的平衡，YOLOs已经成为实时目标检测领域的主导范式。然而，对非最大抑制(NMS)的后处理依赖阻碍了yolo的端到端部署，并对推理延迟产生不利影响。为了解决这些问题，首先提出了一种一致的双任务方法，用于无nms训练的YOLOs，它同时带来了具有竞争力的性能和较低的推理延迟。此外，我们还介绍了整体效率-精度驱动的模型设计策略。我们从效率和精度两个角度对YOLOs的各个组成部分进行了全面优化，大大降低了计算开销，增强了性能。我们的努力成果是用于实时端到端目标检测的新一代YOLO系列，称为YOLOv10。大量的实验表明，YOLOv10在各种模型尺度上都达到了最先进的性能和效率。例如，我们的YOLOv10-S在COCO上类似的AP下比RT-DETR-R18快1.8倍，同时参数数量和FLOPs减少2.8倍。与YOLOv9-C相比，在相同性能下，YOLOv10-B的延迟减少了46%，参数减少了25%。

     下图为YOLOv10官方提供的模型训练精度以及不同模型数据量，可以看出YOLOv10与之前其他系列相比，数据量在减少的同时，精度依旧有所提升。

2. 模型获取

2.1 源码下载

     YOLOv10 模型需要源码进行下载，首先克隆GitHub上的源码，输入以下指令：

1. git clone https://github.com/THU-MIG/yolov10.git
2. cd yolov10

复制代码

2.2 配置环境

     接下来安装模型下载以及转换环境，此处使用Anaconda进行程序集管理，输入以下指令创建一个yolov10环境：

1. conda create -n yolov10 python=3.9
2. conda activate yolov10
3. pip install -r requirements.txt
4. pip install -e .

复制代码

     然后安装OpenVINO™环境，输入以下指令：

1. pip install openvino==2024.1.0

复制代码

2.3 下载模型

     首先导出目标识别模型，此处以官方预训练模型为例，首先下载预训练模型文件，然后调用yolo导出ONBNX格式的模型文件，最后使用 OpenVINO™ 的模型转换命令将模型转为IR格式，依次输入以下指令即可：

1. wget https://github.com/jameslahm/yolov10/releases/download/v1.0/yolov10s.pt
2. yolo export model=yolov10s.pt format=onnx opset=13 simplify
3. ovc yolov10s.onnx

复制代码

     模型的结构如下图所示：

3. Yolov10 项目配置

3.1 项目创建与环境配置

     在Windows平台开发者可以使用Visual Studio平台开发程序，但无法跨平台实现，为了实现跨平台，此处采用dotnet指令进行项目的创建和配置。
     首先使用dotnet创建一个测试项目，在终端中输入一下指令：

1. dotnet new console --framework net6.0 --use-program-main -o yolov10

复制代码

     此处以Windows平台为例安装项目依赖，首先是安装OpenVINO™ C# API项目依赖，在命令行中输入以下指令即可：

1. dotnet add package OpenVINO.CSharp.API
2. dotnet add package OpenVINO.runtime.win
3. dotnet add package OpenVINO.CSharp.API.Extensions
4. dotnet add package OpenVINO.CSharp.API.Extensions.OpenCvSharp

复制代码

     关于在不同平台上搭建 OpenVINO™ C# API 开发环境请参考以下文章： 《在Windows上搭建OpenVINO™C#开发环境》 、《在Linux上搭建OpenVINO™C#开发环境》、《在MacOS上搭建OpenVINO™C#开发环境》
接下来安装使用到的图像处理库 OpenCvSharp，在命令行中输入以下指令即可：

1. dotnet add package OpenCvSharp4
2. dotnet add package OpenCvSharp4.Extensions
3. dotnet add package OpenCvSharp4.runtime.win

复制代码

     关于在其他平台上搭建 OpenCvSharp 开发环境请参考以下文章：《【OpenCV】在Linux上使用OpenCvSharp》 、《【OpenCV】在MacOS上使用OpenCvSharp》
添加完成项目依赖后，项目的配置文件如下所示：

1. <Project Sdk="Microsoft.NET.Sdk">
3.   <PropertyGroup>
4.     <OutputType>Exe</OutputType>
5.     <TargetFramework>net6.0</TargetFramework>
6.     <ImplicitUsings>enable</ImplicitUsings>
7.     <Nullable>enable</Nullable>
8.   </PropertyGroup>
9.   
10.   <ItemGroup>
11.     <PackageReference Include="OpenCvSharp4" Version="4.9.0.20240103" />
12.     <PackageReference Include="OpenCvSharp4.Extensions" Version="4.9.0.20240103" />
13.     <PackageReference Include="OpenCvSharp4.runtime.win" Version="4.9.0.20240103" />
14.     <PackageReference Include="OpenVINO.CSharp.API" Version="2024.0.0.1" />
15.     <PackageReference Include="OpenVINO.CSharp.API.Extensions.OpenCvSharp" Version="1.0.4" />
16.     <PackageReference Include="OpenVINO.runtime.win" Version="2024.0.0.1" />
17.   </ItemGroup>
19. </Project>

复制代码

3.2 定义模型预测方法

     使用 OpenVINO™ C# API 部署模型主要包括以下几个步骤：

• 初始化 OpenVINO Runtime Core
  
• 读取本地模型（将图片数据预处理方式编译到模型）
  
• 将模型编译到指定设备
  
• 创建推理通道
  
• 处理图像输入数据
  
• 设置推理输入数据
  
• 模型推理
  
• 获取推理结果
  
• 处理结果数据
  

3.2.1 定义目标检测模型方法

     按照 OpenVINO™ C# API 部署深度学习模型的步骤，编写YOLOv10模型部署流程，在之前的项目里，我们已经部署了YOLOv5~9等一系列模型，其部署流程是基本一致的，YOLOv10模型部署代码如下所示：

1. static void yolov10_det(string model_path, string image_path, string device)
2. {
3.     // -------- Step 1. Initialize OpenVINO Runtime Core --------
4.     Core core = new Core();
5.     // -------- Step 2. Read inference model --------
6.     Model model = core.read_model(model_path);
7.     OvExtensions.printf_model_info(model);
8.     // -------- Step 3. Loading a model to the device --------
9.     CompiledModel compiled_model = core.compile_model(model, device);
10.     // -------- Step 4. Create an infer request --------
11.     InferRequest infer_request = compiled_model.create_infer_request();
12.     // -------- Step 5. Process input images --------
13.     Mat image = new Mat(image_path); // Read image by opencvsharp
14.     int max_image_length = image.Cols > image.Rows ? image.Cols : image.Rows;
15.     Mat max_image = Mat.Zeros(new OpenCvSharp.Size(max_image_length, max_image_length), MatType.CV_8UC3);
16.     Rect roi = new Rect(0, 0, image.Cols, image.Rows);
17.     image.CopyTo(new Mat(max_image, roi));
18.     float factor = (float)(max_image_length / 640.0);
19.     // -------- Step 6. Set up input data --------
20.     Tensor input_tensor = infer_request.get_input_tensor();
21.     Shape input_shape = input_tensor.get_shape();
22.     Mat input_mat = CvDnn.BlobFromImage(max_image, 1.0 / 255.0, new OpenCvSharp.Size(input_shape[2], input_shape[3]), 0, true, false);
23.     float[] input_data = new float[input_shape[1] * input_shape[2] * input_shape[3]];
24.     Marshal.Copy(input_mat.Ptr(0), input_data, 0, input_data.Length);
25.     input_tensor.set_data<float>(input_data);
26.     // -------- Step 7. Do inference synchronously --------
27.     infer_request.infer();
28.     // -------- Step 8. Get infer result data --------
29.     Tensor output_tensor = infer_request.get_output_tensor();
30.     int output_length = (int)output_tensor.get_size();
31.     float[] output_data = output_tensor.get_data<float>(output_length);
32.     // -------- Step 9. Process reault  --------
33.     List<Rect> position_boxes = new List<Rect>();
34.     List<int> class_ids = new List<int>();
35.     List<float> confidences = new List<float>();
36.     // Preprocessing output results
37.     for (int i = 0; i < output_data.Length / 6; i++)
38.     {
39.         int s = 6 * i;
40.         if ((float)output_data[s + 4] > 0.5)
41.         {
42.             float cx = output_data[s + 0];
43.             float cy = output_data[s + 1];
44.             float dx = output_data[s + 2];
45.             float dy = output_data[s + 3];
46.             int x = (int)((cx) * factor);
47.             int y = (int)((cy) * factor);
48.             int width = (int)((dx - cx) * factor);
49.             int height = (int)((dy - cy) * factor);
50.             Rect box = new Rect();
51.             box.X = x;
52.             box.Y = y;
53.             box.Width = width;
54.             box.Height = height;
56.             position_boxes.Add(box);
57.             class_ids.Add((int)output_data[s + 5]);
58.             confidences.Add((float)output_data[s + 4]);
59.         }
60.     }
62.     for (int i = 0; i < class_ids.Count; i++)
63.     {
64.         int index = i;
65.         Cv2.Rectangle(image, position_boxes[index], new Scalar(0, 0, 255), 2, LineTypes.Link8);
66.         Cv2.Rectangle(image, new OpenCvSharp.Point(position_boxes[index].TopLeft.X, position_boxes[index].TopLeft.Y + 30),
67.             new OpenCvSharp.Point(position_boxes[index].BottomRight.X, position_boxes[index].TopLeft.Y), new Scalar(0, 255, 255), -1);
68.         Cv2.PutText(image, class_ids[index] + "-" + confidences[index].ToString("0.00"),
69.             new OpenCvSharp.Point(position_boxes[index].X, position_boxes[index].Y + 25),
70.             HersheyFonts.HersheySimplex, 0.8, new Scalar(0, 0, 0), 2);
71.     }
72.     string output_path = Path.Combine(Path.GetDirectoryName(Path.GetFullPath(image_path)),
73.         Path.GetFileNameWithoutExtension(image_path) + "_result.jpg");
74.     Cv2.ImWrite(output_path, image);
75.     Slog.INFO("The result save to " + output_path);
76.     Cv2.ImShow("Result", image);
77.     Cv2.WaitKey(0);
78. }

复制代码

3.2.2 使用OpenVINO™ 预处理接口编译模型

     OpenVINO™提供了推理数据预处理接口，用户可以更具模型的输入数据预处理方式进行设置。在读取本地模型后，调用数据预处理接口，按照模型要求的数据预处理方式进行输入配置，然后再将配置好的预处理接口与模型编译到一起，这样便实现了将模型预处理与模型结合在一起，实现OpenVINO对于处理过程的加速。主要是现在代码如下所示：

1. static void yolov10_det_process(string model_path, string image_path, string device)
2. {
3.     // -------- Step 1. Initialize OpenVINO Runtime Core --------
4.     Core core = new Core();
5.     // -------- Step 2. Read inference model --------
6.     Model model = core.read_model(model_path);
7.     OvExtensions.printf_model_info(model);
8.     PrePostProcessor processor = new PrePostProcessor(model);
9.     Tensor input_tensor_pro = new Tensor(new OvType(ElementType.U8), new Shape(1, 640, 640, 3));
10.     InputInfo input_info = processor.input(0);
11.     InputTensorInfo input_tensor_info = input_info.tensor();
12.     input_tensor_info.set_from(input_tensor_pro).set_layout(new Layout("NHWC")).set_color_format(ColorFormat.BGR);
14.     PreProcessSteps process_steps = input_info.preprocess();
15.     process_steps.convert_color(ColorFormat.RGB).resize(ResizeAlgorithm.RESIZE_LINEAR)
16.         .convert_element_type(new OvType(ElementType.F32)).scale(255.0f).convert_layout(new Layout("NCHW"));
17.     Model new_model = processor.build();
18.     // -------- Step 3. Loading a model to the device --------
19.     CompiledModel compiled_model = core.compile_model(new_model, device);
20.     // -------- Step 4. Create an infer request --------
21.     InferRequest infer_request = compiled_model.create_infer_request();
22.     // -------- Step 5. Process input images --------
23.     Mat image = new Mat(image_path); // Read image by opencvsharp
24.     int max_image_length = image.Cols > image.Rows ? image.Cols : image.Rows;
25.     Mat max_image = Mat.Zeros(new OpenCvSharp.Size(max_image_length, max_image_length), MatType.CV_8UC3);
26.     Rect roi = new Rect(0, 0, image.Cols, image.Rows);
27.     image.CopyTo(new Mat(max_image, roi));
28.     Cv2.Resize(max_image, max_image, new OpenCvSharp.Size(640, 640));
29.     float factor = (float)(max_image_length / 640.0);
30.     // -------- Step 6. Set up input data --------
31.     Tensor input_tensor = infer_request.get_input_tensor();
32.     Shape input_shape = input_tensor.get_shape();
33.     byte[] input_data = new byte[input_shape[1] * input_shape[2] * input_shape[3]];
34.     //max_image.GetArray<int>(out input_data);
35.     Marshal.Copy(max_image.Ptr(0), input_data, 0, input_data.Length);
36.     IntPtr destination = input_tensor.data();
37.     Marshal.Copy(input_data, 0, destination, input_data.Length);
38.     // -------- Step 7. Do inference synchronously --------
39.         ... ...(后续与上文代码一致)
40. }

复制代码

3.2 模型预测方法调用

     定义完模型推理接口后，便可以在主函数里进行调用。此处为了让大家更好的复现本文代码，提供了在线模型，用户只需要运行以下代码，便可以直接下载转换好的模型进行模型推理，无需再自行转换，主函数代码如下所示：

1. static void Main(string[] args)
2. {
3.     string model_path = "";
4.     string image_path = "";
5.     string device = "AUTO";
6.     if (args.Length == 0)
7.     {
8.         if (!Directory.Exists("./model"))
9.         {
10.             Directory.CreateDirectory("./model");
11.         }
12.         if (!File.Exists("./model/yolov10s.bin") && !File.Exists("./model/yolov10s.bin"))
13.         {
14.             if (!File.Exists("./model/yolov10s.tar"))
15.             {
16.                 _ = Download.download_file_async("https://github.com/guojin-yan/OpenVINO-CSharp-API-Samples/releases/download/Model/yolov10s.tar",
17.                     "./model/yolov10s.tar").Result;
18.             }
19.             Download.unzip("./model/yolov10s.tar", "./model/");
20.         }
22.         if (!File.Exists("./model/test_image.jpg"))
23.         {
24.             _ = Download.download_file_async("https://github.com/guojin-yan/OpenVINO-CSharp-API-Samples/releases/download/Image/test_det_02.jpg",
25.                 "./model/test_image.jpg").Result;
26.         }
27.         model_path = "./model/yolov10s.xml";
28.         image_path = "./model/test_image.jpg";
29.     }
30.     else if (args.Length >= 2)
31.     {
32.         model_path = args[0];
33.         image_path = args[1];
34.         device = args[2];
35.     }
36.     else
37.     {
38.         Console.WriteLine("Please enter the correct command parameters, for example:");
39.         Console.WriteLine("> 1. dotnet run");
40.         Console.WriteLine("> 2. dotnet run <model path> <image path> <device name>");
41.     }
42.     // -------- Get OpenVINO runtime version --------
44.     OpenVinoSharp.Version version = Ov.get_openvino_version();
46.     Slog.INFO("---- OpenVINO INFO----");
47.     Slog.INFO("Description : " + version.description);
48.     Slog.INFO("Build number: " + version.buildNumber);
50.     Slog.INFO("Predict model files: " + model_path);
51.     Slog.INFO("Predict image  files: " + image_path);
52.     Slog.INFO("Inference device: " + device);
53.     Slog.INFO("Start yolov8 model inference.");
55.     //yolov10_det(model_path, image_path, device);
56.     yolov10_det_process(model_path, image_path, device);
57. }

复制代码

代码提示：
​        由于篇幅限制，上文中只展示了部分代码，想要获取全部源码，请访问项目GitHub自行下载：
​        使用OpenVINO™ C# API部署YOLOv10目标检测模型：

1. https://github.com/guojin-yan/OpenVINO-CSharp-API-Samples/blob/master/model_samples/yolov10/yolov10_det_opencvsharp/Program.cs

复制代码

此外为了满足习惯使用EmguCV处理图像数据的开发者，此处我们也提供了EmguCV版本代码：、
​        使用OpenVINO™ C# API部署YOLOv10目标检测模型：

1. https://github.com/guojin-yan/OpenVINO-CSharp-API-Samples/blob/master/model_samples/yolov10/yolov10_det_emgucv/Program.cs

复制代码

4. 项目运行与演示

4.1 项目编译和运行

     接下来输入项目编译指令进行项目编译，输入以下指令即可：

1. dotnet build

复制代码

     接下来运行编译后的程序文件，在CMD中输入以下指令，运行编译后的项目文件：

1. dotnet run --no-build

复制代码

运行后项目输出为：
4.2 YOLOv10 目标检测模型运行结果

     下图为YOLOv10 目标检测模型运行输出信息，此处我们使用在线转换好的模型进行推理。，首先会下载指定模型以及推理数据到本地，这样避免了开发者在自己配置环境和下载模型；接下来是输出打印 OpenVINO™ 版本信息，此处我们使用NuGet安装的依赖项，已经是OpenVINO™ 2024.0最新版本；接下来就是打印相关的模型信息，并输出每个过程所消耗时间。

     下图为使用YOLOv10 目标检测模型推理结果：

5. 总结

     在该项目中，我们结合之前开发的 OpenVINO™ C# API 项目部署YOLOv10模型，成功实现了对象目标检测与实例分割，并且根据不同开发者的使用习惯，同时提供了OpenCvSharp以及Emgu.CV两种版本，供各位开发者使用。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。

来源:https://www.cnblogs.com/guojin-blogs/p/18215648
免责声明：由于采集信息均来自互联网，如果侵犯了您的权益，请联系我们【E-Mail:cb@itdo.tech】 我们会及时删除侵权内容，谢谢合作！