使用OpenVINOTM预处理API进一步提升YOLOv5推理性能

概述

在《基于OpenVINOTM 2022.1实现YOLOv5推理程序》中详述了：

1. YOLOv5框架的安装和如何导出YOLOv5.onnx模型
2. OpenVINOTM 2022.1的安装以及如何编写YOLOv5模型的推理程序

本文将介绍如何使用OpenVINOTM 2022.1的预处理API，进一步提升YOLOv5模型的推理计算性能

什么是预处理API函数？

OpenVINO 2022.1之前版本不提供OpenVINOTM Runtime原生的用于数据预处理的API函数[1]，如图1-1所示，开发者必须通过第三方库(例如：OpenCV)来实现数据预处理。

图1-1  OpenVINOTM Runtime预处理API

假设没有预处理API，那么输入数据的预处理操作只能放在CPU上实现，CPU完成数据预处理后，再将预处理后的数据传给iGPU、VPU等AI 加速计算设备进行推理计算。

有了预处理API后，就能将预处理操作集成到在模型执行图中，这样iGPU、VPU 或即将发布的Intel独立显卡都能进行数据预处理，无需依赖CPU，提高了执行效率，如图1-2所示。

 

图1-2  预处理OpenCV vs OpenVINO

​​​​​​​数据预处理的典型操作

由于输入数据的Shape、Precision等特征，与模型输入张量的要求不一致，所以需要通过预处理，将输入数据按照模型输入张量的要求进行转换，如图1-3所示。

 

 

图1-3  输入数据 vs模型输入张量

从图1-3中可见，数据预处理的典型操作有：

1. 改变输入数据的形状：[720, 1280,3] → [1, 3, 640, 640]
2. 改变输入数据的精度：U8 → f32
3. 改变输入数据的颜色通道顺序：BGR → RGB
4. 改变输入数据的布局(layout)：HWC → NCHW
5. 归一化数据：减去均值(mean)，除以标准差(std)
   1. 数据预处理API的使用方法

对应数据预处理的典型操作，OpenVINOTM预处理API提供了相应的类，方便开发者快速使用，其主要流程有6步[2]，如图1-4所示，依次是：

1. 实例化PrePostProcessor对象；
2. 申明输入数据的信息
3. 指定模型的数据布局(layout)
4. 设置模型输出张量的信息
5. 定义预处理的具体步骤
6. 将预处理步骤集成到模型

 

图1-4  使用预处理API的流程

本文将按照上述顺序依次介绍。

实例化PrePostProcessor对象

实例化PrePostProcessor对象的Python代码，如代码清单1-1所示。

代码清单1-1  实例化PrePostProcessor对象

from openvino.runtime import Core, Type, Layout

from openvino.preprocess import PrePostProcessor, ColorFormat

# Please modify the model path

model_path ="yolov5s.onnx"

model = core.read_model(model_path)

# Step1: Instance PrePostProcessor object

ppp = PrePostProcessor(model)

​​​​​​​申明输入数据的信息

申明输入数据的信息的Python代码，如代码清单1-2所示。

代码清单1-2  申明输入数据的信息

# Step2: Declare input data information:

ppp.input().tensor() \

    .set_color_format(ColorFormat.BGR) \

    .set_element_type(Type.u8) \

    .set_layout(Layout('NHWC'))  

​​​​​​​指定模型的数据布局(layout)

指定模型的数据布局(layout) 的Python代码，如代码清单1-3所示。

代码清单1-3  指定模型的数据布局(layout)

# Step3: Specify actual model layout

ppp.input().model().set_layout(Layout('NCHW'))

​​​​​​​设置模型输出张量的信息

设置模型输出张量的信息的Python代码，如代码清单1-4所示。

代码清单1-4  设置模型输出张量的信息

# Step4: Set output tensor information:

# - precision of tensor is supposed to be 'f32'

ppp.output().tensor().set_element_type(Type.f32)

​​​​​​​定义预处理的具体步骤

定义预处理的具体步骤的Python代码，如代码清单1-5所示。

 

代码清单1-5  定义预处理的具体步骤

# Step5: Apply preprocessing modifing the original 'model'

# - Precision from u8 to f32

# - color plane from BGR to RGB

# - subtract mean

# - divide by scale factor

# - Layout conversion will be done automatically as last step

ppp.input().preprocess() \

    .convert_element_type(Type.f32) \

    .convert_color(ColorFormat.RGB) \

    .mean([0.0, 0.0, 0.0]) \

    .scale([255.0, 255.0, 255.0])

​​​​​​​将预处理步骤集成到模型

将预处理步骤集成到模型的Python代码，如代码清单1-6所示。

预处理方式	CPU/iGPU型号	推理设备	迭代次数	运行时间
OpenVINOTM预处理API	i7-1165G7 IntelIrisXe	device=”GPU”	500	12.68s
OpenCV	i7-1165G7 IntelIrisXe	device=”GPU”	500	13.43s

代码清单1-6  将预处理步骤集成到模型

# Step6: Integrate preprocessing steps into model

print(f'Build preprocessor: { ppp}')

model = ppp.build()

​​​​​​​将集成了预处理步骤的模型导出

使用serialize()函数，可以将集成了预处理步骤的模型导出，方便后续调用，如代码清单1-7所示。

代码清单1-7  导出包含预处理步骤的模型

# Save the Model with preprocess

from openvino.offline_transformations import serialize

serialize(model, 'yolov5s.xml', 'yolov5s.bin')

使用Netron打开导出模型，可以看到预处理步骤已经集成到执行图中，如图1-5所示。

图1-5  预处理集成到执行图中

导出集成预处理模型的完整源代码：https://gitee.com/ppov-nuc/yolov5_infer/blob/main/preprocessing_with_saving_to_IR.py

完整范例代码和测试结果

本文随附使用OpenVINOTM 2022.1预处理API实现YOLOv5s推理程序的完整源代码，参见：infer_with_openvino_preprocess.py · PPOV_NUC/yolov5_infer - Gitee.com。

表1-1使用OpenVINOTM 2022.1预处理API和使用OpenCV实现预处理的性能对比

操作系统：Windows10；Python版本：3.8；OpenVINO版本：2022.1

模型：yolov5s.onnx

预处理方式	CPU/iGPU型号	推理设备	迭代次数	运行时间
OpenVINOTM预处理API	i7-1165G7 IntelIrisXe	device=”GPU”	500	12.68s
OpenCV	i7-1165G7 IntelIrisXe	device=”GPU”	500	13.43s

执行命令, 将yolov5s.onnx转换为FP16精度的yolov5s.xml后

mo --input_model yolov5s.onnx --data_type FP16

操作系统：Windows10；Python版本：3.8；OpenVINO版本：2022.1

模型：yolov5s.xml @ FP16

预处理方式	CPU/iGPU型号	推理设备	迭代次数	运行时间
OpenVINOTM预处理API	i7-1165G7 IntelIrisXe	device=”GPU”	500	7.41s
OpenCV	i7-1165G7 IntelIrisXe	device=”GPU”	500	8.24s

​​​​​​​总结

本文完整介绍了什么是OpenVINO 预处理API和为什么推荐使用预处理API将预处理操作集成到模型执行图中，然后详细介绍了使用步骤并提供了完整范例源代码。

通过运行源代码，可以看到，使用了OpenVINO预处理API，使输入数据预处理操作不再依赖CPU，可以由推理设备(如GPU/VPU)完成，提高了推理计算效率，减少了运行时间。

参考文献：

[1] openvino.preprocess — OpenVINO documentation

[2] Preprocessing API - details — OpenVINO documentation

[3] openvino_notebooks/002-openvino-api.ipynb at main · openvinotoolkit/openvino_notebooks · GitHub