本文將從零開始詳細介紹環境搭建的完整步驟，我們基于英特爾開發套件AIxBoard為硬件基礎實現了Java在Ubuntu 22.04系統上成功使用OpenVINO Java API，并且成功運行了RT-DETR實現實時端到端目標檢測器AI任務。

項目中所使用的代碼已上傳至OpenVINO Java API倉庫中，GitHub網址為：

https://github.com/Hmm466/OpenVINO-Java-API

RT-DETR是第一個實時端到端目標檢測器。具體而言，我們設計了一個高效的混合編碼器，通過解耦尺度內交互和跨尺度融合來高效處理多尺度特征，并提出了IoU感知的查詢選擇機制，以優化解碼器查詢的初始化。此外，RT-DETR支持通過使用不同的解碼器層來靈活調整推理速度，而不需要重新訓練，這有助于實時目標檢測器的實際應用。

RT-DETR-L在COCO val2017上實現了53.0%的AP，在T4 GPU上實現了114FPS，RT-DETR-X實現了54.8%的AP和74FPS，RT-DETR-H實現了56.3%的AP和40FPS，在速度和精度方面都優于相同規模的所有YOLO檢測器。RT-DETR-R50實現了53.1%的AP和108FPS，RT-DETR-R101實現了54.3%的AP和74FPS，在精度上超過了全部使用相同骨干網絡的DETR檢測器。

基礎模型

More

高精度模型

More

Objects365預訓練模型

More

數據出自：

https://github.com/PaddlePaddle/PaddleDetection/tree/develop/configs/rtdetr

1

英特爾開發套件AIxBoard介紹

1.1

產品定位

英特爾開發套件AIxBoard是英特爾開發套件官方序列中的一員，專為入門級人工智能應用和邊緣智能設備而設計。英特爾開發套件AIxBoard能完美勝人工智能學習、開發、實訓、應用等不同應用場景。該套件預裝了英特爾OpenVINO 工具套件、模型倉庫和演示。

套件主要接口與Jetson Nano載板兼容，GPIO與樹莓派兼容，能夠最大限度地復用成熟的生態資源。這使得套件能夠作為邊緣計算引擎，為人工智能產品驗證和開發提供強大支持；同時，也可以作為域控核心，為機器人產品開發提供技術支撐。

使用英特爾開發套件AIxBoard，您將能夠在短時間內構建出一個出色的人工智能應用應用程序。無論是用于科研、教育還是商業領域，英特爾開發套件AIxBoard都能為您提供良好的支持。借助OpenVINO 工具套件，CPU、iGPU都具備強勁的AI推理能力，支持在圖像分類、目標檢測、分割和語音處理等應用中并行運行多個神經網絡。

1.2

產品參數

1.3

AI推理單元

借助OpenVINO 工具，能夠實現CPU+iGPU異構計算推理，IGPU算力約為0.6TOPS

2

準備工作

2.1

配置java環境

下載并配置JDK:

JDK（Java Development Kit）稱為Java開發包或Java開發工具，是一個編寫Java的Applet小程序和應用程序的程序開發環境。JDK是整個Java的核心，包括了Java運行環境（Java Runtime Environment），一些Java工具和Java的核心類庫（Java API）。不論什么Java應用服務器實質都是內置了某個版本的JDK。主流的JDK是Sun公司發布的JDK，除了Sun之外，還有很多公司和組織都開發了自己的JDK.

2.1.1添加api到本地maven

添加OpenVINO Java API至Maven(目前沒有在meven中央倉庫發布，所以需要手動安裝)

2.1.2 clone OpenVINO Java API項目到本地

git clone https://github.com/Hmm466/OpenVINO-Java-API

2.1.3 通過IDEA或Eclipse打開

通過maven install到本地maven庫中

[INFO] ------------------------------------------------------------------------
[INFO] BUILD SUCCESS
[INFO] ------------------------------------------------------------------------
[INFO] Total time: 14.647 s
[INFO] Finished at: 2023-11-02T21:34:49+08:00
[INFO] ------------------------------------------------------------------------

jar包會放置在

/{userHome}/.m2/repository/org/openvino/java-api/1.0-SNAPSHOT/java-api-1.0-SNAPSHOT.pom

2.2

安裝OpenVINO Runtime

OpenVINO 有兩種安裝方式: OpenVINO Runtime和OpenVINO Development Tools。OpenVINO Runtime包含用于在處理器設備上運行模型部署推理的核心庫。OpenVINO Development Tools是一組用于處理OpenVINO 和OpenVINO 模型的工具，包括模型優化器、OpenVINO Runtime、模型下載器等。在此處我們只需要安裝OpenVINO Runtime即可。

2.2.1 下載OpenVINO Runtime

訪問Download the Intel Distribution of OpenVINO Toolkit頁面，按照下面流程選擇相應的安裝選項，在下載頁面，由于英特爾開發套件AIxBoard使用的是Ubuntu20.04，因此下載時按照指定的編譯版本下載即可。

2.2.2 解壓縮安裝包

我們所下載的OpenVINO Runtime本質是一個C++依賴包，因此我們把它放到我們的系統目錄下，這樣在編譯時會根據設置的系統變量獲取依賴項。

cd ~/Downloads/
tar -xvzf l_openvino_toolkit_ubuntu20_2022.3.1.9227.cf2c7da5689_x86_64.tgz
sudo mv l_openvino_toolkit_ubuntu20_2022.3.1.9227.cf2c7da5689_x86_64/runtime/lib/intel64/* /usr/lib/

2.3

編譯OpenCV java庫

2.3.1 下載ANT

由于OpenCV編譯出libopencv_java{version}.[so|dll|dylib]需要apache ant的支持，所以需要手動下載ant并加入環境變量
官網：http://ant.apache.org/

export ANT_HOME={ant_home}
export PATH=$ANT_HOME/bin:$PATH

2.3.2 OpenCV 下載源代碼

opencv官網下載源碼：

https://opencv.org/

解壓縮之后進入文件夾

mkdir build
cd build
cmake -DBUILD_SHARED_LIBS=OFF -DWITH_IPP=OFF -DBUILD_ZLIB=OFF -DCMAKE_INSTALL_PREFIX=你的opencv目錄 
 -DJAVA_INCLUDE_PATH={jdk 所在位置}/include -DJAVA_AWT_INCLUDE_PATH={jdk 所在位置}/include 
 -DJAVA_INCLUDE_PATH2={jdk 所在位置}/include -DBUILD_JAVA=ON ../

注意看輸出有沒有

--  Java:             
--   ant:             
--   JNI:             
--   Java wrappers:        
--   Java tests:  

需要不為NO或者有目錄

然后編譯安裝

make -j 8
make install

3

在英特爾開發套件AIxBoard上進行測試

3.1

源代碼直接測試

git clone https://github.com/Hmm466/OpenVINO-Java-API

3.2

編寫測試類

public class RT_DETRTest {
  private OpenVINO vino;
  private String classerPath = "dataset/lable/COCO_lable.txt";
  private String imgPath = "dataset/image/WechatIMG28.jpg";
  private String modelPath = "model/rtdetr/rtdetr_r18vd_6x_coco.xml";


  @Before
  public void setUp() {
    vino = OpenVINO.load();
    vino.loadCvDll();
  }


  @After
  public void tearDown() {
  }


  @Test
  public void rtDetrTest() {
    Mat image = Imgcodecs.imread(imgPath);
    Mat resultMat = new Mat();
    modelPath = "model/rtdetr/rtdetr_r50vd_6x_coco.xml";
    RTDETR predictor = new RTDETR(modelPath, classerPath, "CPU", false);
    resultMat = predictor.predict(image);
    HighGui.imshow("result", resultMat);
    HighGui.waitKey(0);
  }
}

結果將輸出

Model path: model/rtdetr/rtdetr_r50vd_6x_coco.xml
Device name: CPU
Inference Model
 Model name: Model from PaddlePaddle.
 Input:
   name: image
   type: 5
 Output:
   name: stack_7.tmp_0_slice_0
   type: 5
   name: stack_8.tmp_0_slice_0
   type: 5
Infer result:
 class_id : 0, label : person, confidence : 0.9453949, left_top : [290, 199], right_bottom: [475, 789]
 class_id : 0, label : person, confidence : 0.9366737, left_top : [740, 262], right_bottom: [866, 491]
 class_id : 0, label : person, confidence : 0.95133895, left_top : [-1, 306], right_bottom: [268, 826]
 class_id : 56, label : chair, confidence : 0.7857964, left_top : [108, 612], right_bottom: [292, 830]
 class_id : 0, label : person, confidence : 0.8834057, left_top : [885, 317], right_bottom: [1124, 539]
 class_id : 63, label : laptop, confidence : 0.67640233, left_top : [493, 460], right_bottom: [615, 560]
 class_id : 63, label : laptop, confidence : 0.8890746, left_top : [533, 511], right_bottom: [812, 794]
 class_id : 0, label : person, confidence : 0.8422087, left_top : [622, 100], right_bottom: [1249, 825]
 class_id : 63, label : laptop, confidence : 0.74342567, left_top : [859, 446], right_bottom: [954, 529]
 class_id : 62, label : tv, confidence : 0.92532605, left_top : [245, 167], right_bottom: [717, 463]
 class_id : 63, label : laptop, confidence : 0.7818358, left_top : [897, 475], right_bottom: [1093, 647]

詳細實現原理可以進入以下網址查看：

https://github.com/Hmm466/OpenVINO-Java-API

4

總結

在該項目中，我們基于英特爾開發套件AIxBoard為硬件基礎實現了Java在Ubuntu 22.04系統上成功使用OpenVINO Java API，并且成功運行了RT-DETR模型，后續我還會將繼續使用OpenVINO Java API在英特爾開發套件AIxBoard 部署更多的深度學習模型。

審核編輯：劉清