大主宰txt全集下载,完结小说,欢乐颂小说结局是什么

作者：康瑤明英特爾邊緣計算創新大使

YOLO代表“You Only Look Once”，它是一種流行的實時物體檢測算法系列。最初的YOLO物體檢測器于2016年首次發布。從那時起，YOLO的不同版本和變體被提出，每個版本和變體都顯著提高了性能和效率。YOLO算法作為one-stage目標檢測算法最典型的代表，其基于深度神經網絡進行對象的識別和定位，運行速度很快，可以用于實時系統。YOLOv7 是 YOLO 模型系列的下一個演進階段，在不增加推理成本的情況下，大大提高了實時目標檢測精度。

項目使用的代碼在github開源，來源GitHub。

01準備模型與環境

1.1安裝OpenVINO以及nncf包，并且clone yolov7的倉庫

%pip install -q "openvino>=2023.2.0" "nncf>=2.5.0"
import sys
from pathlib import Path
sys.path.append("../utils")
from notebook_utils import download_file
# Clone YOLOv7 repo
if not Path('yolov7').exists():
  !git clone https://github.com/WongKinYiu/yolov7
%cd yolov7

左滑查看更多

下圖為代碼執行后的輸出：

1.2下載預訓練模型

# Download pre-trained model weights
MODEL_LINK = "https://github.com/WongKinYiu/yolov7/releases/download/v0.1/yolov7-tiny.pt"
DATA_DIR = Path("data/")
MODEL_DIR = Path("model/")
MODEL_DIR.mkdir(exist_ok=True)
DATA_DIR.mkdir(exist_ok=True)


download_file(MODEL_LINK, directory=MODEL_DIR, show_progress=True)

左滑查看更多

下圖為代碼執行后的輸出：

02使用Pytorch原生推理檢查模型

調用推理腳本`ignore detect.py`,輸入模型相關信息和推理圖片執行推理：

!python -W ignore detect.py --weights model/yolov7-tiny.pt --conf 0.25 --img-size 640 --source inference/images/horses.jpg

左滑查看更多

下圖為代碼執行后的輸出，執行完成后可以看到輸出圖像尺寸信息以及torch版本，推理設備為CPU。推理結果可以看到識別到5匹馬，推理耗時、NMS耗時,結果圖片保存路徑等信息。

打開圖片查看結果：

03導出模型為onnx格式

3.1查看`export.py`腳本參數說明

3.2輸入模型權重文件路徑和要導出Detect()層網格，執行腳本生成onnx模型文件并保存

需要說明的是，將整個后處理包含到模型中有助于獲得更高性能的結果，但同時會降低模型的靈活性，并且不能保證完全準確，這就是為什么我們只添加--grid 參數來保留原始 pytorch 模型結果格式的原因。

04轉換onnx格式為OpenVINO支持的IR文件

雖然 OpenVINO Runtime直接支持 ONNX 模型，但將它們轉換為 IR 格式可以利用 OpenVINO 模型轉換的一些API特性。調用模型轉換的python API 的`ov.convert_model`可以轉換模型。該API返回 OpenVINO 模型類的實例，該實例可在 Python 接口中使用。我們可以使用`ov.save_model` API 接口以 OpenVINO IR 格式保存在設備上，以備使用。

import openvino as ov


model = ov.convert_model('model/yolov7-tiny.onnx')
# serialize model for saving IR
ov.save_model(model, 'model/yolov7-tiny.xml')

左滑查看更多

05驗證模型推理

`detect.py` 推理腳本包括預處理步驟、OpenVINO模型的推理以及結果后處理以獲得邊界框等功能。

左滑查看更多

模型需要RGB通道格式的圖像，并在[0， 1] 范圍內歸一化。要調整圖像大小以適合模型大小，請使用`letterbox`方法調整，其中保留了寬度和高度的縱橫比。為了保持特定的形狀，預處理會自動啟用填充。

5.1預處理階段

對圖像進行預處理,以 `np.array` 格式獲取圖像，使用`letterbox`方法將其調整為特定大小，將色彩空間從 BGR（OpenCV 中的默認值）轉換為 RGB，并將數據布局從 HWC 更改為 CHW：

def preprocess_image(img0: np.ndarray):
  # resize
  img = letterbox(img0, auto=False)[0]
  
  # Convert
  img = img.transpose(2, 0, 1)
  img = np.ascontiguousarray(img)
  return img, img0

左滑查看更多

將預處理后的圖像轉換為張量格式。以 np.array 格式獲取圖像，其中 unit8 數據在[0， 255] 范圍內，并將其轉換為浮點數據在[0， 1] 范圍內的 torch.Tensor 對象。

def prepare_input_tensor(image: np.ndarray):
  input_tensor = image.astype(np.float32) # uint8 to fp16/32
  input_tensor /= 255.0 # 0 - 255 to 0.0 - 1.0
  
  if input_tensor.ndim == 3:
    input_tensor = np.expand_dims(input_tensor, 0)

左滑查看更多

5.2后處理階段

模型檢測功能核心代碼的介紹，使用 NMS 讀取圖像、對其進行預處理、運行模型推理和后處理結果。

參數：

model（Model）：OpenVINO編譯的模型。

image_path （Path）：輸入圖片路徑。

conf_thres（浮點數，*可選*，0.25）：對象過濾的最小置信度

iou_thres（float，*可選*，0.45）：在 NMS 中重新復制對象的最小重疊分數

classes （List[int]，*optional*， None）：用于預測過濾的標簽，如果未提供，則將使用所有預測標簽

agnostic_nms （bool，*optiona*， False）：是否應用與類無關的 NMS 方法

返回：

pred （List）：具有（n，6）形狀的檢測列表，其中 n - 格式為[x1， y1， x2， y2， score， label] 的檢測框數

orig_img （np.ndarray）：預處理前的圖像，可用于結果可視化

input_shape （Tuple[int]）：模型輸入tensor的形狀，可用于輸出分辨率

def detect(model: ov.Model, image_path: Path, conf_thres: float = 0.25, iou_thres: float = 0.45, classes: List[int] = None, agnostic_nms: bool = False):
  output_blob = model.output(0)
  img = np.array(Image.open(image_path))
  preprocessed_img, orig_img = preprocess_image(img)
  input_tensor = prepare_input_tensor(preprocessed_img)
  predictions = torch.from_numpy(model(input_tensor)[output_blob])
  pred = non_max_suppression(predictions, conf_thres, iou_thres, classes=classes, agnostic=agnostic_nms)
  return pred, orig_img, input_tensor.shape

左滑查看更多

圖像上繪制預測邊界框的核心代碼實現，

參數：

predictions （np.ndarray）：形狀為（n，6）的檢測列表，其中 n - 檢測到的框數，格式為[x1， y1， x2， y2， score， label]

image （np.ndarray）：用于框可視化的圖像

names （List[str]）：數據集中每個類的名稱列表

colors （Dict[str， int]）：類名和繪圖顏色之間的映射

返回：

image （np.ndarray）：框可視化結果

def draw_boxes(predictions: np.ndarray, input_shape: Tuple[int], image: np.ndarray, names: List[str], colors: Dict[str, int]):
  if not len(predictions):
    return image
  # Rescale boxes from input size to original image size
  predictions[:, :4] = scale_coords(input_shape[2:], predictions[:, :4], image.shape).round()


  # Write results
  for *xyxy, conf, cls in reversed(predictions):
    label = f'{names[int(cls)]} {conf:.2f}'
    plot_one_box(xyxy, image, label=label, color=colors[names[int(cls)]], line_thickness=1)

左滑查看更多

06選擇設備并推理

compiled_model = core.compile_model(model, device.value)
boxes, image, input_shape = detect(compiled_model, 'inference/images/horses.jpg')
image_with_boxes = draw_boxes(boxes[0], input_shape, image, NAMES, COLORS)
# visualize results
Image.fromarray(image_with_boxes)

左滑查看更多

07驗證模型準確性

為了評估模型的準確性，需要下載coco數據集以及注釋。處理驗證數據集并完成評估。評估完成后，下圖可以看到準確度是符合要求的：

08使用NNCF 訓練后量化API 優化模型

NNCF 是 OpenVINO 中的神經網絡推理優化提供了一套高級算法，精度下降最小。我們將在訓練后模式下使用 8-bit量化來優化 YOLOv7。優化過程包含以下步驟：1）創建用于量化的數據集。2）運行 nncf.quantize 以獲取優化的模型。3）使用 openvino.runtime.serialize 函數序列化 OpenVINO IR 模型。

量化變換函數,從數據加載器項中提取和預處理輸入數據以進行量化。量化完成后可以驗證量化模型推理和驗證量化模型的準確性，看是否符合要求。

import nncf 


def transform_fn(data_item):
  img = data_item[0].numpy()
  input_tensor = prepare_input_tensor(img) 
  return input_tensor


quantization_dataset = nncf.Dataset(dataloader, transform_fn)

左滑查看更多

nncf.quantize 函數提供模型量化的接口。它需要OpenVINO模型和量化數據集的實例。

quantized_model = nncf.quantize(model, quantization_dataset, preset=nncf.QuantizationPreset.MIXED)


ov.save_model(quantized_model, 'model/yolov7-tiny_int8.xml')

左滑查看更多

09比較原始模型和量化后模型的性能

量化完成后，我們希望使用 OpenVINO 基準測試工具測量 FP32 和 INT8 模型的推理性能，從而清楚NNCF帶來的優化提升。

下圖為在AI愛克斯開發板上FP32格式的模型推理，cpu型號為n5105,可以看到吞吐為2.27fps。