YOLO代表“You Only Look Once”，它是一种流行的实时物体检测算法系列。最初的YOLO物体检测器于2016年首次发布。从那时起，YOLO的不同版本和变体被提出，每个版本和变体都显着提高了性能和效率。YOLO算法作为one-stage目标检测算法最典型的代表，其基于深度神经网络进行对象的识别和定位，运行速度很快，可以用于实时系统。YOLOv7 是 YOLO 模型系列的下一个演进阶段，在不增加推理成本的情况下，大大提高了实时目标检测精度。
项目使用的代码在github开源，来源 https://github.com/openvinotoolkit/openvino_notebooks/tree/main/notebooks/226-yolov7-optimization
1. 准备模型与环境
1.1 安装openvino以及nncf包，并且clone yolov7的仓库
%pip install -q "openvino>=2023.1.0" "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
下图为代码执行后的输出
1.2 下载预训练模型
# 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)
下图为代码执行后的输出
2.使用Pytorch原生推理检查模型
调用推理脚本ignore detect.py,输入模型相关信息和推理图片执行推理
!python -W ignore detect.py --weights model/yolov7-tiny.pt --conf 0.25 --img-size 640 --source inference/images/horses.jpg
下图为代码执行后的输出，执行完成后可以看到输出图像尺寸信息以及torch版本，推理设备为CPU。推理结果可以看到识别到5匹马，推理耗时、NMS耗时,结果图片保存路径等信息。
打开图片查看结果
3.导出模型为onnx格式
3.1 查看export.py脚本参数说明
3.2 输入模型权重文件路径和要导出Detect()层网格，执行脚本生成onnx模型文件并保存。
需要说明的是，将整个后处理包含到模型中有助于获得更高性能的结果，但同时会降低模型的灵活性，并且不能保证完全准确，这就是为什么我们只添加 –grid 参数来保留原始 pytorch 模型结果格式的原因。
4. 转换onnx格式为openvino支持的IR文件
虽然 OpenVINO Runtime直接支持 ONNX 模型，但将它们转换为 IR 格式可以利用 OpenVINO 模型转换的一些API特性。调用模型转换的python API 的 ov.convert_model可以转换模型。该API返回 OpenVINO 模型类的实例，该实例可在 Python 接口中使用。我们可以使用 ov.save_model API 接口以 OpenVINO IR 格式保存在设备上，以备使用。
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')
5. 验证模型推理
detect.py 推理脚本包括预处理步骤、OpenVINO模型的推理以及结果后处理以获得边界框等功能。
模型需要RGB通道格式的图像，并在 [0， 1] 范围内归一化。要调整图像大小以适合模型大小，请使用letterbox方法调整，其中保留了宽度和高度的纵横比。为了保持特定的形状，预处理会自动启用填充。
5.1 预处理阶段
对图像进行预处理,以 np.array 格式获取图像，使用letterbox方法将其调整为特定大小，将色彩空间从 BGR（OpenCV 中的默认值）转换为 RGB，并将数据布局从 HWC 更改为 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
将预处理后的图像转换为张量格式。以 np.array 格式获取图像，其中 unit8 数据在 [0， 255] 范围内，并将其转换为浮点数据在 [0， 1] 范围内的 torch.Tensor 对象
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)
return input_tensor
5.2 后处理阶段
模型检测功能核心代码的介绍，使用 NMS 读取图像、对其进行预处理、运行模型推理和后处理结果。
参数：
model（Model）：OpenVINO编译的模型。
image_path （Path）：输入图片路径。
conf_thres（浮点数，可选，0.25）：对象过滤的最小置信度
iou_thres（float，可选，0.45）：在 NMS 中重新复制对象的最小重叠分数
classes （List[int]， optional， None）：用于预测过滤的标签，如果未提供，则将使用所有预测标签
agnostic_nms （bool， optiona， False）：是否应用与类无关的 NMS 方法
返回：
pred （List）：具有 （n，6） 形状的检测列表，其中 n - 格式为 [x1， y1， x2， y2， score， label] 的检测框数
orig_img （np.ndarray）：预处理前的图像，可用于结果可视化
input_shape （Tuple[int]）：模型输入tensor的形状，可用于输出分辨率
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
图像上绘制预测边界框的核心代码实现， 参数： predictions （np.ndarray）：形状为 （n，6） 的检测列表，其中 n - 检测到的框数，格式为 [x1， y1， x2， y2， score， label] image （np.ndarray）：用于框可视化的图像 names （List[str]）： 数据集中每个类的名称列表 colors （Dict[str， int]）： 类名和绘图颜色之间的映射 返回： image （np.ndarray）：框可视化结果
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)
6. 选择设备并推理
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)
单图片推理的可视化结果如下图所示
7.验证模型准确性
为了评估模型的准确性，需要下载coco数据集以及注释。处理验证数据集并完成评估。评估完成后，下图可以看到准确度是符合要求的。
8.使用 NNCF 训练后量化 API 优化模型
NNCF 是 OpenVINO 中的神经网络推理优化提供了一套高级算法，精度下降最小。我们将在训练后模式下使用 8-bit量化来优化 YOLOv7。优化过程包含以下步骤：1）创建用于量化的数据集。2）运行 nncf.quantize 以获取优化的模型。3）使用 openvino.runtime.serialize 函数序列化 OpenVINO IR 模型。
量化变换函数,从数据加载器项中提取和预处理输入数据以进行量化。量化完成后可以验证量化模型推理和验证量化模型的准确性，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)
nncf.quantize 函数提供模型量化的接口。它需要OpenVINO模型和量化数据集的实例。
quantized_model = nncf.quantize(model, quantization_dataset, preset=nncf.QuantizationPreset.MIXED)
ov.save_model(quantized_model, 'model/yolov7-tiny_int8.xml')
9. 比较原始模型和量化后模型的性能
量化完成后，我们希望使用 OpenVINO 基准测试工具测量 FP32 和 INT8 模型的推理性能，从而清楚NNCF带来的优化提升。 下图为在AI爱克斯开发板上FP32格式的模型推理，cpu型号为n5105,可以看到吞吐为2.27fps.
下图为量化后 INT8 格式的模型推理,可以看到吞吐为4.89fps.
总结：
FP32格式的模型推理AI爱克斯开发板上CPU吞吐为2.27fps，量化后 INT8 格式为4.89fps,由此说明了量化的后性能提升很明显，提升至2.15倍,在工程和学习中推荐使用NNCF等OpenVINO工具来优化模型，从而在不损失精度的前提下提高推理性能，更好的服务于场景使用。