为什么需要OpenVINO?

OpenVINO（Open Visual Inference and Neural network Optimization）是英特尔推出的一种深度学习推理工具包，旨在优化和加速深度学习模型的推理过程。将模型转换为OpenVINO格式的主要优势有：

性能优化：OpenVINO能够针对英特尔硬件进行优化，包括 CPU、GPU、VPU 和 FPGA 等，从而实现对深度学习模型的加速推理，提高推理性能和效率。

跨平台部署：OpenVINO支持跨多种硬件平台进行部署，包括边缘设备和云服务器，能够在不同的设备上实现高效的推理。

模型保护：OpenVINO可以将模型转换为 IR（Intermediate Representation）格式，这样可以保护模型的知识产权，避免模型被轻易篡改或复制。

部署简化：OpenVINO提供了简单易用的部署工具和库，使得在实际应用中部署深度学习模型变得更加便捷。

使用自定义训练模型进行图像检测

from ultralytics import YOLO

from pathlib import Path

from IPython.display import Image

from PIL import Image

IMAGE_PATH = Path("data\coco_bike.jpg")

# There are three lines of code below, all are correct.

# You can use one of them

# Use Raw String Literal:

# det_model = YOLO(r"models\best.pt")

# Use Forward Slashes

# det_model = YOLO("models/best.pt")

# Use Double Backslashes:

det_model = YOLO("models\\best.pt")

label_map = det_model.model.names

res = det_model(IMAGE_PATH)

Image.fromarray(res.plot()[:, :, ::-1])

当我们在终端中运行上述代码时，它会对图像执行检测，如下所示：

上述代码的解释

此代码是一个 Python 脚本，它使用“ultralytics”库中的 YOLO（You Only Look Once）对象检测模型来检测图像中的对象。让我们分解一下代码的每个部分的作用：

导入库：

该ultralytics库提供了用于处理各种计算机视觉任务的工具，包括使用 YOLO 进行对象检测。

该pathlib库用于处理文件和目录路径。

该IPython.display库用于在 Jupyter 笔记本中显示图像。

该PIL库（Python Imaging Library）用于图像处理。

2.定义图像路径：

该IMAGE_PATH变量设置为位于名为“data”的目录中名为“coco_bike.jpg”的图像文件的路径。

3.加载YOLO模型：

使用 ultralytics 库中的类加载 YOLO 模型YOLO。模型文件“best.pt”作为参数提供。

4. 获取标签图：

该label_map变量被分配了 YOLO 模型能够检测的类名列表。这些类名是从 YOLO 模型中加载的。

5.检测物体：

YOLO 模型 ( det_model) 用于检测指定图像中的物体 ( IMAGE_PATH)。

检测结果存储在res变量中。

6.显示结果：

Image.fromarray()使用库中的函数显示检测结果PIL。该plot()方法用于创建检测到的对象的图像表示，并使用切片（[:, :, ::-1]）反转颜色通道以将图像从 BGR 转换为 RGB 格式。

分割

from ultralytics import YOLO

from pathlib import Path

from IPython.display import Image

from PIL import Image

SEG_MODEL_NAME = "yolov8n-seg"

IMAGE_PATH = Path("data\coco_bike.jpg")

seg_model = YOLO("models\yolov8n-seg.pt")

res = seg_model(IMAGE_PATH)

Image.fromarray(res.plot()[:, :, ::-1])

输出：

上述代码的解释

让我们以简单的方式一步一步地解释一下这段代码：

导入库：

该代码使用该ultralytics库来处理计算机视觉模型。

该pathlib库用于处理文件路径。

该IPython.display库用于在笔记本中显示图像。

该PIL库用于与图像相关的任务。

2.设置模型名称和图像路径：

该SEG_MODEL_NAME变量设置为“yolov8n-seg”分割模型的名称。该模型旨在理解图像的结构并将其分割成不同的部分。

该IMAGE_PATH变量设置为位于“data”目录中名为“coco_bike.jpg”的图像文件的路径。

3.加载分割模型：

YOLO使用ultralytics 库中的类加载 YOLO 分割模型。

模型文件“yolov8n-seg.pt”作为参数提供。此文件包含分割模型的预训练权重和配置。

4.执行分割：

seg_model使用分割模型（ ）对指定的图像（ IMAGE_PATH）进行分割。

分割的结果存储在res变量中。

5.显示分割图像：

代码将分割结果转换为可以显示的图像格式。

该plot()方法用于创建分割区域的图像表示。

图像的颜色通道被反转（[:, :, ::-1]）以使其适合以 RGB 格式显示。

6.显示图像：

Image.fromarray()该库中的函数用于PIL在 IPython 笔记本中显示分割图像。

导出物体检测模型

# object detection model

from ultralytics import YOLO

import os

# Use Forward Slashes

det_model = YOLO("models/best.pt")

det_model_path = "models/best_openvino_model/best.xml"

if not os.path.exists(det_model_path):

    det_model.export(format="openvino", dynamic=True, half=False)

输出：

上述代码的解释：

导入库：

代码YOLO从ultralytics库中导入类以与对象检测模型协同工作。

该os模块被导入是为了与操作系统协同工作。

2.加载对象检测模型：

YOLO使用库中的类加载对象检测模型ultralytics。

模型文件“best.pt”作为参数提供。该模型用于检测图像中的对象。

3.定义 OpenVINO 的导出路径：

该变量det_model_path设置为对象检测模型的 OpenVINO 模型文件“best.xml”的路径。

4.导出为 OpenVINO 格式：

代码检查 OpenVINO 模型文件是否不存在指定路径。

如果文件不存在，则使用该export方法将对象检测模型导出为 OpenVINO 格式：

format="openvino"指定导出格式应为OpenVINO。

dynamic=True表示导出的模型应该支持动态输入形状。

half=False指定导出的模型不应使用半精度浮点数。

导出分割模型

# Export segmentation model

from ultralytics import YOLO

import os

# Use Forward Slashes

seg_model = YOLO("models/yolov8n-seg.pt")

seg_model_path = "models/yolov8n-seg_openvino_model/yolov8n-seg.xml"

if not os.path.exists(seg_model_path):

    seg_model.export(format="openvino", dynamic=True, half=False)

输出：

上述代码的解释：

导入库：

代码YOLO从ultralytics库中导入类以与分割模型协同工作。

该os模块被导入用于与操作系统交互。

2.加载分割模型：

YOLO使用库中的类来加载分割模型ultralytics。

模型文件“yolov8n-seg.pt”作为参数提供。该模型专为图像分割而设计。

3.定义 OpenVINO 的导出路径：

该变量seg_model_path设置为OpenVINO模型文件“yolov8n-seg.xml”的保存路径。

4.导出为 OpenVINO 格式：

代码检查 OpenVINO 模型文件是否不存在指定路径。

如果该文件不存在，则使用该export方法将分割模型导出为 OpenVINO 格式：

format="openvino"指定导出格式应为OpenVINO。

dynamic=True表示导出的模型应该支持动态输入形状。

half=False指定导出的模型不应使用半精度浮点数。