一、YOLOv5網絡

YOLOv5代碼鏈接：https://github.com/ultralytics/yolov5

YOLOv5 于2020年6月發布！一經推出，便得到CV圈的矚目，目前在各大目標檢測競賽、落地實戰項目中得到廣泛應用。

YOLOv5在COCO上的性能表現：

YOLOv5一共有4個版本，分別是Yolov5s、Yolov5m、Yolov5l、Yolov5x，其中性能依次增強。比如YOLOv5s模型參數量最小，速度最快，AP精度最低；YOLOv5x模型參數量最大，速度最慢，AP精度最高。

其中YOLOv5網絡結構如下：

圖源：https://zhuanlan.zhihu.com/p/172121380

二、OpenVINO?工具套件介紹

OpenVINO?工具套件是英特爾針對自家硬件平臺開發的一套深度學習工具庫，包含推理庫，模型優化等等一系列與深度學習模型部署相關的功能。同時可以兼容各種開源框架訓練好的模型，擁有算法模型上線部署的各種能力，只要掌握了該工具，你可以輕松的將預訓練模型在英特爾的CPU、VPU等設備上快速部署起來。

三、重新訓練YOLOv5

3.1 下載YOLOv5代碼和權重文件

大家可以直接clone YOLOv5官方github代碼：

git clone https://github.com/ultralytics/yolov5

也可以在官方github的releases中下載正式發布的版本：

https://github.com/ultralytics/yolov5/releases

我們這里下載YOLOv5 v3.1版本的源代碼和yolov5s.pt權重文件。值得注意，目前YOLOv5已更新至v5.0，但在實際轉換OpenVINO?工具套件推理應用中遇到不少問題，為了方便使用，這里推薦較穩定的YOLOv5 v3.1版本。

3.2 數據集準備

數據集可以是自己標注的，也可以用網上開源的數據集。如果是標注自己的目標檢測數據集，一般使用labelImg工具（超好用！支持COCO等格式）。

這里我們下載使用roboflow開源的口罩檢測數據集（Mask Wearing Dataset），該數據集只有149幅圖像，方便練手，而且格式直接支持YOLOv5！

https://public.roboflow.com/object-detection/mask-wearing

3.3 重新訓練YOLOv5

3.3.1 修改參數

訓練自定義數據集，一般需要修改兩個參數：

• nc：需要識別的類別

• anchors：YOLOv5默認自適應anchors計算，也可以自定義通過k-means算法計算

其中，nc是一定要修改的，比較每個數據集的類別會不一樣，而anchors可以不用修改，即默認自適應計算。

比如Mask Wearing數據集只有兩種類別：mask和no-mask，所以nc = 2。可見data.yaml中的信息：

這里使用YOLOv5s進行訓練，所以需要同步修改yolov5/models/yolov5s.yaml 文件中的nc數值，設置為2：

3.3.2 訓練YOLOv5

訓練命令如下：

python train.py --data 數據集路徑/data.yaml --cfg models/yolov5s.yaml --weights '' --batch-size 64 --epochs 100

注：訓練命令行的參數含義可參考：https://docs.ultralytics.com，比如batch size、epochs可以根據訓練設備自行調整

訓練完成后，權重文件會自動保存在runs文件夾中，自動生成last.pt和best.pt，如下圖所示：

3.3.3 YOLOv5 Demo檢測

對測試集中的圖像進行檢測，執行命令如下：

python detect.py --weight runs/exp6/weights/best.pt --source 數據集路徑/test/images/1288126-10255706714jpg_jpg.rf.95f7324cbfd48e0386e0660b5e932223.jpg

輸入圖像：

口罩檢測結果：

四、模型轉換（YOLOv5—>OpenVINO?工具套件）

將YOLOv5的.pt訓練權重文件轉換成OpenVINO?工具套件調用的文件，主要的流程是：.pt 權重文件 —> ONNX 權重文件 —> IR 文件（.bin和xml）。其中利用ONNX（Open Neural Network Exchange，開放神經網絡交換）進行文件格式轉換。

使用版本說明：

• Ubuntu 18.04

• OpenVINO?工具套件 ?2021.03

4.1 .pt 權重文件 —> ONNX 權重文件

先安裝ONNX，然后運行腳本，實現轉換。

4.1.1 安裝ONNX

ONNX的安裝方法相對簡單，直接pip安裝即可：

pip install onnx

4.1.2 ONNX轉換

YOLOv5官方提供了轉換成ONNX權重的腳本文件，位于yolov5/models/export.py，使用說明詳見：https://github.com/ultralytics/yolov5/issues/251

注意，這里需要將export.py腳本文件中的opset_version修改為10：

torch.onnx.export(model, img, f, verbose=False, opset_version=10, input_names=['images'],output_names=['classes', 'boxes'] if y is None else ['output'])

然后再執行如下轉換指令：

python models/export.py --weights runs/exp6/weights/best.pt --img 640 --batch 1

轉換成功后，就會在runs/exp6/weights文件夾中生成best.onnx文件。

注：這里可以使用Netron打開yolov5s.onnx，進而可視化YOLOv5模型。

• Netron在線可視化：https://netron.app/

• Netron github：https://github.com/lutzroeder/netron

4.2 ONNX 權重文件 —> IR 文件（.bin和.xml）

先安裝、配置OpenVINO?工具套件，然后運行腳本，實現轉換。

4.2.1 安裝OpenVINO?工具套件

安裝OpenVINO?工具套件的方法有很多，詳見官網：

https://docs.openvinotoolkit.org/latest/index.html

這里我是使用APT的方式，具體參考：https://docs.openvinotoolkit.org/latest/openvino_docs_install_guides_installing_openvino_apt.html

安裝命令如下：

wget https://apt.repos.intel.com/openvino/2021/GPG-PUB-KEY-INTEL-OPENVINO-2021 apt-key add GPG-PUB-KEY-INTEL-OPENVINO-2021 apt-key list touch /etc/apt/sources.list.d/intel-openvino-2021.list echo "deb https://apt.repos.intel.com/openvino/2021 all main" >> /etc/apt/sources.list.d/intel-openvino-2021.list apt update

執行完上述命令后，可出現：

然后搜索可下載的包，要注意系統版本：

sudo apt-cache search intel-openvino-dev-ubuntu18

這里安裝intel-openvino-dev-ubuntu18-2021.3.394版本

apt install intel-openvino-dev-ubuntu18-2021.3.394

安裝成功后，輸出內容如下圖所示：

4.2.2 OpenVINO?工具套件轉換

安裝好OpenVINO?工具套件后，我們需要使用OpenVINO?工具套件的模型優化器（Model Optimizer）將ONNX文件轉換成IR（Intermediate Representation）文件。

首先設置 OpenVINO?工具套件的環境和變量：

source /opt/intel/openvino_2021/bin/setupvars.sh

然后運行如下腳本，實現ONNX模型到IR文件（.xml和.bin）的轉換：

python /opt/intel/openvino_2021/deployment_tools/model_optimizer/mo.py --input_model runs/exp6/weights/best.onnx --model_name yolov5s_best -s 255 --reverse_input_channels --output Conv_487,Conv_471,Conv_455

關于命令行的參數用法，更多細節可參考：https://docs.openvinotoolkit.org/cn/latest/openvino_docs_MO_DG_prepare_model_convert_model_Converting_Model_General.html

轉換成功后，即可得到yolov5s_best.xml 和 yolov5s_best.bin文件。

五、使用OpenVINO?工具套件進行推理部署

5.1 安裝Python版的OpenVINO?工具套件

這里使用Python進行推理測試。因為我上面采用apt的方式安裝OpenVINO?工具套件，這樣安裝后Python環境中并沒有OpenVINO?工具套件，所以我這里需要用pip安裝一下OpenVINO?工具套件。

注：如果你是編譯源碼等方式進行安裝的，那么可以跳過這步：

pip install openvino

另外，安裝時要保持版本的一致性：

5.2 OpenVINO?工具套件實測

OpenVINO?工具套件官方提供了YOLOv3版本的Python推理demo，可以參考：

https://github.com/openvinotoolkit/open_model_zoo/blob/master/demos/object_detection_demo/python/object_detection_demo.py

我們這里參考這個已經適配好的YOLOv5版本：https://github.com/violet17/yolov5_demo/blob/main/yolov5_demo.py，該源代碼的輸入數據是camera或者video，所以我們可以將test數據集中的圖像轉換成視頻（test.mp4）作為輸入，或者可以自行修改成圖像處理的代碼。

其中YOLOv5版本相對于官方YOLOv3版本的主要修改點：

1. 自定義letterbox函數，預處理輸入圖像：

def letterbox(img, size=(640, 640), color=(114, 114, 114), auto=True, scaleFill=False, scaleup=True):# Resize image to a 32-pixel-multiple rectangle https://github.com/ultralytics/yolov3/issues/232shape = img.shape[:2] # current shape [height, width]w, h = size# Scale ratio (new / old)r = min(h / shape[0], w / shape[1])if not scaleup: # only scale down, do not scale up (for better test mAP)r = min(r, 1.0)# Compute paddingratio = r, r # width, height ratiosnew_unpad = int(round(shape[1] * r)), int(round(shape[0] * r))dw, dh = w - new_unpad[0], h - new_unpad[1] # wh paddingif auto: # minimum rectangledw, dh = np.mod(dw, 64), np.mod(dh, 64) # wh paddingelif scaleFill: # stretchdw, dh = 0.0, 0.0new_unpad = (w, h)ratio = w / shape[1], h / shape[0] # width, height ratiosdw /= 2 # divide padding into 2 sidesdh /= 2if shape[::-1] != new_unpad: # resizeimg = cv2.resize(img, new_unpad, interpolation=cv2.INTER_LINEAR)top, bottom = int(round(dh - 0.1)), int(round(dh + 0.1))left, right = int(round(dw - 0.1)), int(round(dw + 0.1))img = cv2.copyMakeBorder(img, top, bottom, left, right, cv2.BORDER_CONSTANT, value=color) # add bordertop2, bottom2, left2, right2 = 0, 0, 0, 0if img.shape[0] != h:top2 = (h - img.shape[0])//2bottom2 = top2img = cv2.copyMakeBorder(img, top2, bottom2, left2, right2, cv2.BORDER_CONSTANT, value=color) # add borderelif img.shape[1] != w:left2 = (w - img.shape[1])//2right2 = left2img = cv2.copyMakeBorder(img, top2, bottom2, left2, right2, cv2.BORDER_CONSTANT, value=color) # add borderreturn img

2. 自定義parse_yolo_region函數， 使用Sigmoid函數的YOLO Region層 ?：

def parse_yolo_region(blob, resized_image_shape, original_im_shape, params, threshold):# ------------------------------------------ Validating output parameters ------------------------------------------ out_blob_n, out_blob_c, out_blob_h, out_blob_w = blob.shapepredictions = 1.0/(1.0+np.exp(-blob)) assert out_blob_w == out_blob_h, "Invalid size of output blob. It sould be in NCHW layout and height should " \"be equal to width. Current height = {}, current width = {}" \"".format(out_blob_h, out_blob_w)# ------------------------------------------ Extracting layer parameters -------------------------------------------orig_im_h, orig_im_w = original_im_shaperesized_image_h, resized_image_w = resized_image_shapeobjects = list()side_square = params.side * params.side# ------------------------------------------- Parsing YOLO Region output -------------------------------------------bbox_size = int(out_blob_c/params.num) #4+1+num_classesfor row, col, n in np.ndindex(params.side, params.side, params.num):bbox = predictions[0, n*bbox_size:(n+1)*bbox_size, row, col]x, y, width, height, object_probability = bbox[:5]class_probabilities = bbox[5:]if object_probability < threshold:continuex = (2*x - 0.5 + col)*(resized_image_w/out_blob_w)y = (2*y - 0.5 + row)*(resized_image_h/out_blob_h)if int(resized_image_w/out_blob_w) == 8 & int(resized_image_h/out_blob_h) == 8: #80x80, idx = 0elif int(resized_image_w/out_blob_w) == 16 & int(resized_image_h/out_blob_h) == 16: #40x40idx = 1elif int(resized_image_w/out_blob_w) == 32 & int(resized_image_h/out_blob_h) == 32: # 20x20idx = 2width = (2*width)**2* params.anchors[idx * 6 + 2 * n]height = (2*height)**2 * params.anchors[idx * 6 + 2 * n + 1]class_id = np.argmax(class_probabilities)confidence = object_probabilityobjects.append(scale_bbox(x=x, y=y, height=height, width=width, class_id=class_id, confidence=confidence,im_h=orig_im_h, im_w=orig_im_w, resized_im_h=resized_image_h, resized_im_w=resized_image_w))return objects

3. 自定義scale_bbox函數，進行邊界框后處理 ：

def scale_bbox(x, y, height, width, class_id, confidence, im_h, im_w, resized_im_h=640, resized_im_w=640):gain = min(resized_im_w / im_w, resized_im_h / im_h) # gain = old / newpad = (resized_im_w - im_w * gain) / 2, (resized_im_h - im_h * gain) / 2 # wh paddingx = int((x - pad[0])/gain)y = int((y - pad[1])/gain)w = int(width/gain)h = int(height/gain)xmin = max(0, int(x - w / 2))ymin = max(0, int(y - h / 2))xmax = min(im_w, int(xmin + w))ymax = min(im_h, int(ymin + h))# Method item() used here to convert NumPy types to native types for compatibility with functions, which don't# support Numpy types (e.g., cv2.rectangle doesn't support int64 in color parameter)return dict(xmin=xmin, xmax=xmax, ymin=ymin, ymax=ymax, class_id=class_id.item(), confidence=confidence.item())

但在實際測試中，會出現這個問題 'openvino.inference_engine.ie_api.IENetwork' object has no attribute 'layers' ：

[ INFO ] Creating Inference Engine... [ INFO ] Loading network files: yolov5/yolov5s_best.xml yolov5/yolov5s_best.bin yolov5_demo.py:233: DeprecationWarning: Reading network using constructor is deprecated. Please, use IECore.read_network() method instead ?net = IENetwork(model=model_xml, weights=model_bin) Traceback (most recent call last): ?File "yolov5_demo.py", line 414, in <module> ? ?sys.exit(main() or 0) ?File "yolov5_demo.py", line 238, in main ? ?not_supported_layers = [l for l in net.layers.keys() if l not in supported_layers] AttributeError: 'openvino.inference_engine.ie_api.IENetwork' object has no attribute 'layers'

經過我調研后才得知，在OpenVINO?工具套件2021.02及以后版本， 'ie_api.IENetwork.layers' 就被官方刪除了：

所以需要將第327、328行的內容：

out_blob = out_blob.reshape(net.layers[layer_name].out_data[0].shape) layer_params = YoloParams(net.layers[layer_name].params, out_blob.shape[2])

修改為：

out_blob = out_blob.reshape(net.outputs[layer_name].shape) params = [x._get_attributes() for x in function.get_ordered_ops() if x.get_friendly_name() == layer_name][0] layer_params = YoloParams(params, out_blob.shape[2])

并在第322行下面新添加一行代碼：

function = ng.function_from_cnn(net)

最終在終端，輸入下面命令：

python yolov5_demo.py -m yolov5/yolov5s_best.xml test.mp4

加上后處理，使用OpenVINO?工具套件的推理時間平均在220ms左右，測試平臺為英特爾? 酷睿? i5-7300HQ，而使用PyTorch CPU版本的推理時間平均在1.25s，可見OpenVINO?工具套件加速明顯！

最終檢測結果如下：

如果你想在CPU上實現模型的快速推理，可以試試OpenVINO?工具套件哦~

往期精彩回顧適合初學者入門人工智能的路線及資料下載機器學習及深度學習筆記等資料打印機器學習在線手冊深度學習筆記專輯《統計學習方法》的代碼復現專輯 AI基礎下載機器學習的數學基礎專輯溫州大學《機器學習課程》視頻 本站qq群851320808，加入微信群請掃碼：

總結

以上是生活随笔為你收集整理的【深度学习】当YOLOv5遇见OpenVINO！的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。