作者：楊雪鋒博士英特爾物聯網行業創新大使

01簡介

《在 AI 愛克斯開發板上用 OpenVINO加速 YOLOv8 目標檢測模型》介紹了在AI 愛克斯開發板上使用 OpenVINO開發套件部署并測評 YOLOv8 的目標檢測模型，本文將介紹在AI 愛克斯開發板上使用 OpenVINO加速 YOLOv8-seg 實例分割模型。

請先下載本文的范例代碼倉，并搭建好 YOLOv8 的 OpenVINO推理程序開發環境。

git clone

https://gitee.com/ppov-nuc/yolov8_openvino.git

02導出 YOLOv8-seg 實例分割

OpenVINO IR 模型

YOLOv8-seg 的實例分割模型有5種，在 COCO 數據集完成訓練，如下表所示。

首先使用命令：

yoloexport model=yolov8n-seg.pt format=onnx

完成 yolov8n-seg.onnx 模型導出，如下圖所示：

然后使用命令：

mo -m yolov8n-seg.onnx --compress_to_fp16

優化并導出 FP16 精度的 OpenVINO IR 格式模型，如下圖所示：

03用 benchmark_app 測試

YOLOv8-seg 實例分割模型的推理計算性能

benchmark_app 是 OpenVINO工具套件自帶的 AI 模型推理計算性能測試工具，可以指定在不同的計算設備上，在同步或異步模式下，測試出不帶前后處理的純 AI 模型推理計算性能。

使用命令：

benchmark_app -m yolov8n-seg.xml -d GPU

獲得 yolov8n-seg.xml 模型在AI 愛克斯開發板的集成顯卡上的異步推理計算性能，如下圖所示：

04使用 OpenVINO Python API 編寫

YOLOv8-seg 實例分割模型推理程序

用 Netron 打開 yolov8n-seg.onnx 可以看到模型的輸入和輸出，跟 YOLOv5-seg 模型的輸入輸出定義很類似：

輸入節點名字：“images”；

數據：float32[1,3,640,640]

輸出節點 1 的名字：“output0”；

數據：float32[1,116,8400]。其中 116 的前 84 個字段跟 YOLOv8 目標檢測模型輸出定義完全一致，即cx,cy,w,h 和 80 類的分數；后 32 個字段用于計算掩膜數據。

輸出節點 2 的名字：“output1”；

數據：float32[1,32,160,160]。output0 后 32 個字段與 output1 的數據做矩陣乘法后得到的結果，即為對應目標的掩膜數據。

基于 OpenVINO Python API 的 YOLOv8-seg 實例分割模型范例程序 yolov8_seg_ov_sync_infer_demo.py 的核心源代碼，如下所示：

# Initialize the VideoCapture
cap = cv2.VideoCapture("store-aisle-detection.mp4")
# Initialize YOLOv5 Instance Segmentator
model_path = "yolov8n-seg.xml"
device_name = "GPU"
yoloseg = YOLOSeg(model_path, device_name, conf_thres=0.3, iou_thres=0.3)
while cap.isOpened():
  # Read frame from the video
  ret, frame = cap.read()
  if not ret:
    break
  # Update object localizer
  start = time.time()
  boxes, scores, class_ids, masks = yoloseg(frame)
  # postprocess and draw masks
  combined_img = yoloseg.draw_masks(frame)
  end = time.time()
  # show FPS
  fps = (1 / (end - start)) 
  fps_label = "Throughput: %.2f FPS" % fps
  cv2.putText(combined_img, fps_label, (10, 25), cv2.FONT_HERSHEY_SIMPLEX, 1, (0, 0, 255), 2)
  # show ALL
  cv2.imshow("YOLOv8 Segmentation OpenVINO inference Demo", combined_img)
  # Press Any key stop
  if cv2.waitKey(1) > -1:
    print("finished by user")
    break

向右滑動查看完整代碼

運行結果，如下圖所示：

向右滑動查看完整圖片

05結論

AI 愛克斯開發板借助 N5105 處理器的集成顯卡(24個執行單元)和 OpenVINO，可以在 YOLOv8-seg 的實例分割模型上獲得相當不錯的性能。

通過異步處理和AsyncInferQueue，還能進一步提升計算設備的利用率，提高 AI 推理程序的吞吐量。下一篇將繼續介紹在《在 AI 愛克斯開發板上用 OpenVINO加速 YOLOv8-pose 姿態檢測模型》。

審核編輯：湯梓紅