前言

OpenVINO C# API 是一个 OpenVINO 的 .Net wrapper，应用最新的 OpenVINO 库开发，通过 OpenVINO C API 实现 .Net 对 OpenVINO Runtime 调用，使用习惯与 OpenVINO C++ API 一致。OpenVINO C# API 由于是基于 OpenVINO 开发，所支持的平台与 OpenVINO 完全一致，具体信息可以参考 OpenVINO。通过使用 OpenVINO C# API，可以在 .NET、.NET Framework等框架下使用 C# 语言实现深度学习模型在指定平台推理加速。

OpenVINO C# API 项目链接为：

https://github.com/guojin-yan/OpenVINO-CSharp-API.git

项目源码链接为：

https://github.com/guojin-yan/OpenVINO-CSharp-API-Samples.git

1. 简介

   PP-YOLOE是基于PP-YOLOv2的优秀单级无锚模型，超越了各种流行的YOLO模型。PP-YOLOE有一系列型号，命名为s/m/l/x，通过宽度乘数和深度乘数进行配置。PP-YOLOE避免使用特殊的运算符，如可变形卷积或矩阵NMS，以便友好地部署在各种硬件上。 在本文中，我们将使用OpenVINO C# API 部署 PP-YOLOE实现物体检测。

2. 项目环境与依赖

  该项目中所需依赖已经支持通过NuGet Package进行安装，在该项目中，需要安装以下NuGet Package：

  • OpenVINO C# API NuGet Package：
OpenVINO.CSharp.API

OpenVINO.runtime.win

OpenVINO.CSharp.API.Extensions

OpenVINO.CSharp.API.Extensions.OpenCvSharp
  • OpenCvSharp NuGet Package：
OpenCvSharp4

OpenCvSharp4.Extensions

OpenCvSharp4.runtime.win

3. 项目输出

  项目使用的是控制台输出，运行后输出如下所示：

<00:00:00> Sending http request to https://github.com/guojin-yan/OpenVINO-CSharp-API-Samples/releases/download/Model/ppyoloe_plus_crn_l_80e_coco.tar.

<00:00:02> Http Response Accquired.

<00:00:02> Total download length is 199.68 Mb.

<00:00:02> Download Started.

<00:00:02> File created.

<00:02:03> Downloading: [■■■■■■■■■■] 100% <00:02:03 1.81 Mb/s> 199.68 Mb/199.68 Mb downloaded.

<00:02:03> File Downloaded, saved in E:\GitSpace\OpenVINO-CSharp-API-Samples\model_samples\ppyoloe\ppyoloe_opencvsharp\bin\Release\net6.0\model\ppyoloe_plus_crn_l_80e_coco.tar.

<00:00:00> Sending http request to https://github.com/guojin-yan/OpenVINO-CSharp-API-Samples/releases/download/Image/test_det_02.jpg.

<00:00:02> Http Response Accquired.

<00:00:02> Total download length is 0.16 Mb.

<00:00:02> Download Started.

<00:00:02> File created.

<00:00:02> Downloading: [■■■■■■■■■■] 100% <00:00:02 0.06 Mb/s> 0.16 Mb/0.16 Mb downloaded.

<00:00:02> File Downloaded, saved in E:\GitSpace\OpenVINO-CSharp-API-Samples\model_samples\ppyoloe\ppyoloe_opencvsharp\bin\Release\net6.0\model\test_image.jpg.

[ INFO ] Inference device: CPU

[ INFO ] Start RT-DETR model inference.

[ INFO ] 1. Initialize OpenVINO Runtime Core success, time spend: 4.5204ms.

[ INFO ] 2. Read inference model success, time spend: 228.4451ms.

[ INFO ] Inference Model

[ INFO ]   Model name: Model0

[ INFO ]   Input:

[ INFO ]      name: scale_factor

[ INFO ]      type: float

[ INFO ]      shape: Shape : {?,2}

[ INFO ]      name: image

[ INFO ]      type: float

[ INFO ]      shape: Shape : {?,3,640,640}

[ INFO ]   Output:

[ INFO ]      name: multiclass_nms3_0.tmp_0

[ INFO ]      type: float

[ INFO ]      shape: Shape : {?,6}

[ INFO ]      name: multiclass_nms3_0.tmp_2

[ INFO ]      type: int32_t

[ INFO ]      shape: Shape : {?}

[ INFO ] 3. Loading a model to the device success, time spend:501.0716ms.

[ INFO ] 4. Create an infer request success, time spend:0.2663ms.

[ INFO ] 5. Process input images success, time spend:30.1001ms.

[ INFO ] 6. Set up input data success, time spend:2.3631ms.

[ INFO ] 7. Do inference synchronously success, time spend:286.1085ms.

[ INFO ] 8. Get infer result data success, time spend:0.5189ms.

[ INFO ] 9. Process reault  success, time spend:0.4425ms.

[ INFO ] The result save to E:\GitSpace\OpenVINO-CSharp-API-Samples\model_samples\ppyoloe\ppyoloe_opencvsharp\bin\Release\net6.0\model\test_image_result.jpg

  图像预测结果如下图所示：

4. 代码展示

  以下为嘛中所使用的命名空间代码：

using OpenCvSharp.Dnn;

using OpenCvSharp;

using OpenVinoSharp;

using OpenVinoSharp.Extensions;

using OpenVinoSharp.Extensions.utility;

using System.Runtime.InteropServices;

using OpenVinoSharp.preprocess;

using OpenVinoSharp.Extensions.model;

using OpenVinoSharp.Extensions.result;

using OpenVinoSharp.Extensions.process;

namespace ppyoloe_opencvsharp

{

    internal class Program

    {

    	....

    }

}

  下面为定义的模型预测代码：

  • 一般预测流程：
static void ppyoloe_det(string model_path, string image_path, string device)

{

    // -------- Step 1. Initialize OpenVINO Runtime Core --------

    Core core = new Core();

    // -------- Step 2. Read inference model --------

    Model model = core.read_model(model_path);

    OvExtensions.printf_model_info(model);

    // -------- Step 3. Loading a model to the device --------

    CompiledModel compiled_model = core.compile_model(model, device);

    // -------- Step 4. Create an infer request --------

    InferRequest infer_request = compiled_model.create_infer_request();

    // -------- Step 5. Process input images --------

    Mat image = new Mat(image_path); // Read image by opencvsharp

    float[] factor = new float[] { 640.0f / (float)image.Rows, 640.0f / (float)image.Cols };

    float[] im_shape = new float[] { 640.0f, 640.0f };

    Mat input_mat = CvDnn.BlobFromImage(image, 1.0 / 255.0, new OpenCvSharp.Size(640, 640), 0, true, false);

    float[] input_data = new float[640 * 640 * 3];

    Marshal.Copy(input_mat.Ptr(0), input_data, 0, input_data.Length);

    // -------- Step 6. Set up input data --------

    Tensor input_tensor_data = infer_request.get_tensor("image");

    input_tensor_data.set_shape(new Shape(1, 3, 640, 640));

    input_tensor_data.set_data<float>(input_data);

    Tensor input_tensor_factor = infer_request.get_tensor("scale_factor");

    input_tensor_factor.set_shape(new Shape(1, 2));

    input_tensor_factor.set_data<float>(factor);

    // -------- Step 7. Do inference synchronously --------

    infer_request.infer();

    // -------- Step 8. Get infer result data --------

    Tensor output_tensor = infer_request.get_output_tensor(0);

    int output_length = (int)output_tensor.get_size();

    float[] output_data = output_tensor.get_data<float>(output_length);

    // -------- Step 9. Process reault  --------

    List<Rect> position_boxes = new List<Rect>();

    List<int> class_ids = new List<int>();

    List<float> confidences = new List<float>();

    for (int i = 0; i < 300; ++i)

    {

        if (output_data[6 * i + 1] > 0.5)

        {

            class_ids.Add((int)output_data[6 * i]);

            confidences.Add(output_data[6 * i + 1]);

            position_boxes.Add(new Rect((int)output_data[6 * i + 2], (int)output_data[6 * i + 3],

                (int)(output_data[6 * i + 4] - output_data[6 * i + 2]),

                (int)(output_data[6 * i + 5] - output_data[6 * i + 3])));

        }

    }

    for (int index = 0; index < class_ids.Count; index++)

    {

        Cv2.Rectangle(image, position_boxes[index], new Scalar(0, 0, 255), 2, LineTypes.Link8);

        Cv2.Rectangle(image, new OpenCvSharp.Point(position_boxes[index].TopLeft.X, position_boxes[index].TopLeft.Y + 30),

            new OpenCvSharp.Point(position_boxes[index].BottomRight.X, position_boxes[index].TopLeft.Y), new Scalar(0, 255, 255), -1);

        Cv2.PutText(image, class_ids[index] + "-" + confidences[index].ToString("0.00"),

            new OpenCvSharp.Point(position_boxes[index].X, position_boxes[index].Y + 25),

            HersheyFonts.HersheySimplex, 0.8, new Scalar(0, 0, 0), 2);

    }

    string output_path = Path.Combine(Path.GetDirectoryName(Path.GetFullPath(image_path)),

        Path.GetFileNameWithoutExtension(image_path) + "_result.jpg");

    Cv2.ImWrite(output_path, image);

    Slog.INFO("The result save to " + output_path);

    Cv2.ImShow("Result", image);

    Cv2.WaitKey(0);

}
  • 编译预处理步骤到模型方式推理模型：
static void ppyoloe_det_with_process(string model_path, string image_path, string device)

{

    // -------- Step 1. Initialize OpenVINO Runtime Core --------

    Core core = new Core();

    // -------- Step 2. Read inference model --------

    Model model = core.read_model(model_path);

    OvExtensions.printf_model_info(model);

    PrePostProcessor processor = new PrePostProcessor(model);

    Tensor input_tensor_pro = new Tensor(new OvType(ElementType.U8), new Shape(1, 640, 640, 3));

    InputInfo input_info = processor.input("image");

    InputTensorInfo input_tensor_info = input_info.tensor();

    input_tensor_info.set_from(input_tensor_pro).set_layout(new Layout("NHWC")).set_color_format(ColorFormat.BGR);

    PreProcessSteps process_steps = input_info.preprocess();

    process_steps.convert_color(ColorFormat.RGB).resize(ResizeAlgorithm.RESIZE_LINEAR)

        .convert_element_type(new OvType(ElementType.F32)).scale(255.0f).convert_layout(new Layout("NCHW"));

    Model new_model = processor.build();

    // -------- Step 3. Loading a model to the device --------

    CompiledModel compiled_model = core.compile_model(new_model, device);

    // -------- Step 4. Create an infer request --------

    InferRequest infer_request = compiled_model.create_infer_request();

    // -------- Step 5. Process input images --------

    Mat image = new Mat(image_path); // Read image by opencvsharp

    Mat input_image = new Mat();

    Cv2.Resize(image, input_image, new OpenCvSharp.Size(640, 640));

    float[] factor = new float[] { 640.0f / (float)image.Rows, 640.0f / (float)image.Cols };

    float[] im_shape = new float[] { 640.0f, 640.0f };

    // -------- Step 6. Set up input data --------

    Tensor input_tensor_data = infer_request.get_tensor("image");

    byte[] input_data = new byte[3 * 640 * 640];

    Marshal.Copy(input_image.Ptr(0), input_data, 0, input_data.Length);

    IntPtr destination = input_tensor_data.data();

    Marshal.Copy(input_data, 0, destination, input_data.Length);

    Tensor input_tensor_factor = infer_request.get_tensor("scale_factor");

    input_tensor_factor.set_shape(new Shape(1, 2));

    input_tensor_factor.set_data<float>(factor);

    // -------- Step 7. Do inference synchronously --------

    infer_request.infer();

    // -------- Step 8. Get infer result data --------

    Tensor output_tensor = infer_request.get_output_tensor(0);

    int output_length = (int)output_tensor.get_size();

    float[] output_data = output_tensor.get_data<float>(output_length);

    // -------- Step 9. Process reault  --------

    List<Rect> position_boxes = new List<Rect>();

    List<int> class_ids = new List<int>();

    List<float> confidences = new List<float>();

    for (int i = 0; i < 300; ++i)

    {

        if (output_data[6 * i + 1] > 0.5)

        {

            class_ids.Add((int)output_data[6 * i]);

            confidences.Add(output_data[6 * i + 1]);

            position_boxes.Add(new Rect((int)output_data[6 * i + 2], (int)output_data[6 * i + 3],

                (int)(output_data[6 * i + 4] - output_data[6 * i + 2]),

                (int)(output_data[6 * i + 5] - output_data[6 * i + 3])));

        }

    }

    for (int index = 0; index < class_ids.Count; index++)

    {

        Cv2.Rectangle(image, position_boxes[index], new Scalar(0, 0, 255), 2, LineTypes.Link8);

        Cv2.Rectangle(image, new OpenCvSharp.Point(position_boxes[index].TopLeft.X, position_boxes[index].TopLeft.Y + 30),

            new OpenCvSharp.Point(position_boxes[index].BottomRight.X, position_boxes[index].TopLeft.Y), new Scalar(0, 255, 255), -1);

        Cv2.PutText(image, class_ids[index] + "-" + confidences[index].ToString("0.00"),

            new OpenCvSharp.Point(position_boxes[index].X, position_boxes[index].Y + 25),

            HersheyFonts.HersheySimplex, 0.8, new Scalar(0, 0, 0), 2);

    }

    string output_path = Path.Combine(Path.GetDirectoryName(Path.GetFullPath(image_path)),

        Path.GetFileNameWithoutExtension(image_path) + "_result.jpg");

    Cv2.ImWrite(output_path, image);

    Slog.INFO("The result save to " + output_path);

    Cv2.ImShow("Result", image);

    Cv2.WaitKey(0);

}
  • 使用封装的方法：
static void ppyoloe_det_using_extensions(string model_path, string image_path, string device)

{

    PPYoloeConfig config = new PPYoloeConfig();

    config.set_model(model_path);

    PPYoloeDet det = new PPYoloeDet(config);

    Mat image = Cv2.ImRead(image_path);

    DetResult result = det.predict(image);

    Mat result_im = Visualize.draw_det_result(result, image);

    Cv2.ImShow("Result", result_im);

    Cv2.WaitKey(0);

}

  下面为程序运行的主函数代码，该代码会下载转换好的预测模型，并调用预测方法进行预测：

static void Main(string[] args)

{

    string model_path = "";

    string image_path = "";

    string device = "CPU";

    if (args.Length == 0)

    {

        if (!Directory.Exists("./model"))

        {

            Directory.CreateDirectory("./model");

        }

        if (!File.Exists("./model/model.pdiparams")

            && !File.Exists("./model/model.pdmodel"))

        {

            if (!File.Exists("./model/ppyoloe_plus_crn_l_80e_coco.tar"))

            {

                _ = Download.download_file_async("https://github.com/guojin-yan/OpenVINO-CSharp-API-Samples/releases/download/Model/ppyoloe_plus_crn_l_80e_coco.tar",

                    "./model/ppyoloe_plus_crn_l_80e_coco.tar").Result;

            }

            Download.unzip("./model/ppyoloe_plus_crn_l_80e_coco.tar", "./model/");

        }

        if (!File.Exists("./model/test_image.jpg"))

        {

            _ = Download.download_file_async("https://github.com/guojin-yan/OpenVINO-CSharp-API-Samples/releases/download/Image/test_det_02.jpg",

                "./model/test_image.jpg").Result;

        }

        model_path = "./model/model.pdmodel";

        image_path = "./model/test_image.jpg";

    }

    else if (args.Length >= 2)

    {

        model_path = args[0];

        image_path = args[1];

        device = args[2];

    }

    else

    {

        Console.WriteLine("Please enter the correct command parameters, for example:");

        Console.WriteLine("> 1. dotnet run");

        Console.WriteLine("> 2. dotnet run <model path> <image path> <device name>");

    }

    // -------- Get OpenVINO runtime version --------

    OpenVinoSharp.Version version = Ov.get_openvino_version();

    Slog.INFO("---- OpenVINO INFO----");

    Slog.INFO("Description : " + version.description);

    Slog.INFO("Build number: " + version.buildNumber);

    Slog.INFO("Predict model files: " + model_path);

    Slog.INFO("Predict image  files: " + image_path);

    Slog.INFO("Inference device: " + device);

    Slog.INFO("Start RT-DETR model inference.");

    ppyoloe_det(model_path, image_path, device);

    //ppyoloe_det_with_process(model_path, image_path, device);

    //ppyoloe_det_using_extensions(model_path, image_path, device);

}

5. 总结

  在该项目中，我们结合之前开发的 OpenVINO C# API 项目部署PP-YOLOE模型，实现物体检测。

  • 项目完整代码链接为：
https://github.com/guojin-yan/OpenVINO-CSharp-API-Samples/blob/master/model_samples/ppyoloe/ppyoloe_opencvsharp/Program.cs
  • 为了方便EmguCV用户使用需求，同时开发了EmguCV版本，项目链接为：
https://github.com/guojin-yan/OpenVINO-CSharp-API-Samples/blob/master/model_samples/ppyoloe/ppyoloe_emgucv/Program.cs

最后如果各位开发者在使用中有任何问题，欢迎大家与我联系。

【OpenVINO™】在 C# 中使用OpenVINO™ 部署PP-YOLOE实现物体检测的更多相关文章

  1. “独立”OpenVINO R2019_2 版本中的“super_resolution_demo”例子的，解决由于 R2019_1到R2019_2 升级造成的问题

    OpenVINO提供了丰富的例子,为了方便研究和使用,我们需要将这些例子由原始的demo目录中分离出来,也就是“独立”运行,这里我们选择了较为简单的super_resolution_demo来说明问题 ...

  2. Sharepoint中出现webpart部署之后却找不到的一种情况

    今天遇到了一个很奇怪的问题,明明代码没有任何问题,部署之后却没有找到添加的webpart,在(web Parts)Galleries中也找不到,最后才发现可能是和服务器的运行速度有关,就像之前遇到的问 ...

  3. 在 Visual Studio 2010 中开发和部署 Windows Azure 应用程序

    原文 在 Visual Studio 2010 中开发和部署 Windows Azure 应用程序 在 Visual Studio 2010 中开发和部署 Windows Azure 应用程序 Jim ...

  4. python-pycharm中使用anaconda部署python环境

    pycharm中使用anaconda部署python环境 今天来说一下python中一个管理包很好用的工具anaconda,可以轻松实现python中各种包的管理.相信大家都会有这种体验,在pycha ...

  5. IDEA中Tomcat热部署不生效问题解决办法

    IDEA中Tomcat热部署不生效问题解决办法 1.设置完热部署后 2.一定要在Debug模式下运行不要点RUN!!!!!!!!!!!!!!!!!

  6. SpringBoot 在IDEA中实现热部署(实用版)（引入）

    SpringBoot 在IDEA中实现热部署(实用版) 引用:https://www.jianshu.com/p/f658fed35786 好的热部署让开发调试事半功倍,这样的“神技能”怎么能错过呢, ...

  7. idea中springboot热部署（无需重启项目）

    idea中springboot热部署(无需重启项目) 1.在pom.xml文件中导入依赖 <dependency> <groupId>org.springframework.b ...

  8. 关于spring中Assert的应用（方法入参检测工具类）

    关于spring中Assert的应用(方法入参检测工具类) Web 应用在接受表单提交的数据后都需要对其进行合法性检查,如果表单数据不合法,请求将被驳回.类似的,当我们在编写类的方法时,也常常需要对方 ...

  9. ICMP 隧道——将流量封装进 IMCP 的 ping 数据包中，旨在利用 ping 穿透防火墙的检测

    利用 ICMP 隧道穿透防火墙 转自:http://xiaix.me/li-yong-icmp-sui-dao-chuan-tou-fang-huo-qiang/ 以前穿透防火墙总是使用 SSH 隧道 ...

  10. 物体检测中常用的几个概念迁移学习、IOU、NMS理解

    1.迁移学习 迁移学习也即所谓的有监督预训练(Supervised pre-training),我们通常把它称之为迁移学习.比如你已经有一大堆标注好的人脸年龄分类的图片数据,训练了一个CNN,用于人脸 ...

随机推荐

  1. FindBugs问题EQ_COMPARETO_USE_OBJECT_EQUALS的解决方法

    本文记录的是2016年4月初发生的事情. 前几天,标准CI的静态检查页面发现一个项目组同事引入的FindBugs问题,EQ_COMPARETO_USE_OBJECT_EQUALS,CI对这个问题给出的 ...

  2. 【FAQ】接入HMS Core广告服务中的常见问题总结和解决方法

    HMS Core广告服务(Ads Kit)为开发者提供流量变现服务和广告标识服务,依托华为终端能力,整合资源,帮助开发者获取高质量的广告内容.同时提供转化跟踪参数服务,支持三方监测平台.广告主进行转化 ...

  3. JS实现文件转base64

    核心: function file2base64(){ fileAddress = document.getElementById("fileImage").files[0]; f ...

  4. js获取select标签的 value 和 text

    <select name="" id="test"> <option value="a1">yi</optio ...

  5. 标签栏切换效果 JS

    标签栏切换效果 JS 要求:class为tab-box的元素用于实现标签栏的外边框,,分别实现标签栏的标签部分和内容部分. html <div class="tab-box" ...

  6. 你真会判断DataGuard的延迟吗？

    这是一个比较细节的知识点,但必须要理解这个才能准确判断Oracle ADG的延迟情况. 以前做运维工作时,记得是要同时重点关注v$dataguard_stats视图中的几个字段的值,分别是:NAME. ...

  7. CentOS SSH安装和配置

    CentOS SSH安装和配置 赞 0 CentOS  SSH  安装  配置  OpenSSH SSH 为 Secure Shell 的缩写,由 IETF 的网络工作小组(Network Worki ...

  8. leetcode：1380. 矩阵中的幸运数

    1380. 矩阵中的幸运数 给你一个 m * n 的矩阵,矩阵中的数字 各不相同 .请你按 任意 顺序返回矩阵中的所有幸运数. 幸运数是指矩阵中满足同时下列两个条件的元素: 在同一行的所有元素中最小 ...

  9. 暑期集训 Day9 —— 模拟赛复盘

    ${\color{Green} \mathrm{Problem\ 1 :大河的序列 }} $ 巨思维... 其实只需要输出序列 max 即可. 死因: \({\tiny 去你的}\) 快速幂 int ...

  10. 阿里云 EMR Delta Lake 在流利说数据接入中的架构和实践

    简介: 为了消灭数据孤岛,企业往往会把各个组织的数据都接入到数据湖以提供统一的查询或分析.本文将介绍流利说当前数据接入的整个过程,期间遇到的挑战,以及delta在数据接入中产生的价值. 背景 流利说目 ...