1.1 項(xiàng)目概述

1.1.1 項(xiàng)目介紹

C#調(diào)用OpenVINO工具套件部署Al模型項(xiàng)目開發(fā)項(xiàng)目，簡(jiǎn)稱OpenVinoSharp，這是一個(gè)示例項(xiàng)目，該項(xiàng)目實(shí)現(xiàn)在C#編程語(yǔ)言下調(diào)用Intel推出的 OpenVINO 工具套件，進(jìn)行深度學(xué)習(xí)等Al項(xiàng)目在C#框架下的部署。該項(xiàng)目由C++語(yǔ)言編寫OpenVINO dll庫(kù)，并在C#語(yǔ)言下實(shí)現(xiàn)調(diào)用。

項(xiàng)目可以實(shí)現(xiàn)在C#編程語(yǔ)言下調(diào)用Intel推出的 OpenVINO 工具套件，進(jìn)行深度學(xué)習(xí)等Al項(xiàng)目在C#框架下的部署，目前可以支持的Al模型格式：

■ Paddlepaddle 飛槳模型 (.pdmodel)

■ ONNX 開放式神經(jīng)網(wǎng)絡(luò)交換模型 (.onnx)

■ IR 模型 (.xml, .bin)

目前該項(xiàng)目針對(duì) Paddlepaddle 飛槳現(xiàn)有模型進(jìn)行了測(cè)試，主要有：

■ PaddleClas 飛槳圖像識(shí)別套件

■ PaddleDetection 目標(biāo)檢測(cè)模型套件

1.1.2 OpenVINO

OpenVINO 工具套件是英特爾基于自身現(xiàn)有的硬件平臺(tái)開發(fā)的一種可以加快高性能計(jì)算機(jī)視覺和深度學(xué)習(xí)視覺應(yīng)用開發(fā)速度工具套件，支持各種英特爾平臺(tái)的硬件加速器上進(jìn)行深度學(xué)習(xí)，并且允許直接異構(gòu)執(zhí)行。支持在Windows與Linux系統(tǒng)，官方支持編程語(yǔ)言為Python與C++語(yǔ)言，但不直接支持C#。

OpenVINO 工具套件2022.1版于2022年3月22日正式發(fā)布，根據(jù)官宣《OpenVINO 迎來迄今為止最重大更新，2022.1新特性搶先看》，OpenVINO 2022.1將是迄今為止最大變化的版本。從開發(fā)者的角度來看，對(duì)于提升開發(fā)效率或運(yùn)行效率有用的特性有：

■ 提供預(yù)處理API函數(shù)

■ ONNX前端API

■ AUTO設(shè)備插件

■ 支持直接讀入飛槳模型

該項(xiàng)目開發(fā)環(huán)境為OpenVINO 2022.1最新版本，因此使用者需在使用時(shí)將自己電腦上的OpenVINO 版本升級(jí)到2022.1版，不然會(huì)有較多的問題。

1.1.3 項(xiàng)目方案

該項(xiàng)目主要通過調(diào)用dll文件方式實(shí)現(xiàn)。通過C++調(diào)用OpenVINO ，編寫模型推理接口，將我們所用到的推理方法在C++中實(shí)現(xiàn)，并將其生成dll文件，在C#調(diào)用dll文件，重寫dll文件接口，并重新組建Core類，用于在C#中進(jìn)行模型的推理，其方案如圖1- 1所示。

圖1- 1 項(xiàng)目解決方案

1.1.4 安裝方式

該項(xiàng)目所有文件已經(jīng)上傳到Github和Gitee遠(yuǎn)程代碼倉(cāng)，大家可以通過Gi在本地進(jìn)行克隆。

● 系統(tǒng)平臺(tái)：

Windows

● 軟件要求：

Visual Studio 2022 / 2019 / 2017

OpenCV 4.5.5

OpenVINO 2022.1

● 安裝方式

在Github上克隆下載：

git clone https://github.com/guojin-yan/OpenVinoSharp.git

在Gitee上克隆下載：

git clone https://gitee.com/guojin-yan/OpenVinoSharp.git

1.2 軟件安裝

1.2.1 Microsoft Visual Studio 2022安裝

Microsoft Visual Studio（簡(jiǎn)稱VS）是美國(guó)微軟公司的開發(fā)工具套件系列產(chǎn)品。VS是一個(gè)基本完整的開發(fā)工具集，它包括了整個(gè)軟件生命周期中所需要的大部分工具，如UML工具、代碼管控工具、集成開發(fā)環(huán)境(IDE)等等。其支持C、C++、C#、F#、J#等多門編程語(yǔ)言。

本次項(xiàng)目所使用的編程語(yǔ)言為C++與C#兩門編程語(yǔ)言，在VS中完全可以實(shí)現(xiàn)，可選擇安裝版本VS2017、VS2019或VS2022版本。對(duì)于VS不同版本的選擇，該項(xiàng)目不做較多要求，就筆者使用來說，VS2017版本推出時(shí)間較久，不建議使用，其一些編程語(yǔ)言規(guī)范有一些變動(dòng)，對(duì)于該項(xiàng)目所提供的范例可能會(huì)有部分不兼容；VS2019和VS2022版本相對(duì)更新，是由起來差異不大，建議選擇這兩個(gè)版本，并且新版OpenVINO 支持VS2022版本Cmake。

筆者電腦安裝的為Microsoft Visual Studio Community 2022 版本，其安裝包可由VS官網(wǎng)直接下載，下載時(shí)選擇社區(qū)版，按照一般安裝步驟進(jìn)行安裝即可。在安裝中，工作負(fù)荷的選擇圖1- 2所示。

圖1- 2 Visual Studio 2022安裝負(fù)荷

安裝完成后，可以參照網(wǎng)上相關(guān)教程，進(jìn)行學(xué)習(xí)VS的使用。

1.2.2 OpenVINO 安裝

該項(xiàng)目所使用的OpenVINO 版本為2022.1版本，是Intel公司在2022年第一季度發(fā)布的最新版本。該版本基于之前版本有了較大變動(dòng)，不在默認(rèn)包含OpenCV工具；其次，對(duì)代碼做了更進(jìn)一步的優(yōu)化，使得代碼在使用時(shí)更加靈活。其具體安裝方式，參考

https://www.intel.com/content/www/us/en/developer/tools/openvino-toolkit/download.html

1.2.3 OpenCV安裝

由于最新版的OpenVINO 2022.1 版本不在默認(rèn)附帶OpenCV工具，所以我們需要額外安裝OpenCV工具。

01

下載并安裝OpenCV

訪問OpenCV官網(wǎng)，選擇Library下的Releases，進(jìn)入到下載頁(yè)面，或直接訪問進(jìn)入下載頁(yè)面。

圖1- 3 OpenCV-4.5.5 版本頁(yè)面

根據(jù)負(fù)載使用情況，選擇Windows版本，如圖1- 3所示，跳轉(zhuǎn)頁(yè)面后，下載文件名為：opencv-4.5.5-vc14_vc15.exe。下載完成后，直接雙擊打開安裝文件，安裝完成后，打開安裝文件夾，該文件夾下 build、sources文件夾以及LICENSE相關(guān)文件，我們所使用的文件在build文件夾中。

02

配置Path環(huán)境變量

右擊我的電腦，進(jìn)入屬性設(shè)置，選擇高級(jí)系統(tǒng)設(shè)置進(jìn)入系統(tǒng)屬性，點(diǎn)擊環(huán)境變量，進(jìn)入到環(huán)境變量設(shè)置，編輯系統(tǒng)變量下的Path變量，增加以下地址變量：

E:OpenCV Sourceopencv-4.5.5uildx64vc15in

E:OpenCV Sourceopencv-4.5.5uildx64vc15lib

E:OpenCV Sourceopencv-4.5.5uildinclude

E:OpenCV Sourceopencv-4.5.5uildincludeopencv2

其中為本機(jī)安裝OpenCV安裝路徑。安裝完成后，如想在VS中使用，還需要再VS編輯器中設(shè)置相關(guān)配置，具體配置會(huì)在下文中說明。

1.3 OpenVINO 推理模型

與測(cè)試數(shù)據(jù)集

1.3.1 模型種類與下載方式

為了測(cè)試該項(xiàng)目，我們提供并整合了訓(xùn)練好的 Paddlepaddle 模型，主要針對(duì) PaddleClas 以及 PaddleDetection 現(xiàn)有的模型，提供了 PaddleClas 下的花卉分類模型以及 PaddleDetection 中的 Vehicle Detection 模型，并針對(duì)該模型，提供了pdmodel、onnx以及IR格式。

該項(xiàng)目所使用的測(cè)試模型以及數(shù)據(jù)集，均可以在本文下的gitee上下載，下載鏈接為：

https://gitee.com/guojin-yan/OpenVinoSharp

1.3.2 PaddleDetection 模型

PaddleDetection 為飛槳 PaddlePaddle 的端到端目標(biāo)檢測(cè)套件，提供多種主流目標(biāo)檢測(cè)、實(shí)例分割、跟蹤、關(guān)鍵點(diǎn)檢測(cè)算法，配置化的網(wǎng)絡(luò)模塊組件、數(shù)據(jù)增強(qiáng)策略、損失函數(shù)等。該項(xiàng)目在此處主要使用的為PaddleDetection應(yīng)用中的目標(biāo)檢測(cè)功能，使用的網(wǎng)絡(luò)為YOLOv3網(wǎng)絡(luò)，表1- 1 給出了YOLOv3網(wǎng)絡(luò)輸出與輸入的相關(guān)信息。

表1- 1 YOLOv3模型輸入與輸出節(jié)點(diǎn)信息

注：None表示batch維度，H、W 分別為圖片的高和寬，Num表示識(shí)別結(jié)果的數(shù)量。

本次測(cè)試使用的為 PaddleDetection 中 Vehicle Detection 模型，我們可以在 PaddleDetection gitee 上下載。該模型輸入圖片要求為3×608×608大小，輸出為預(yù)測(cè)框信息，其信息組成為[class_id, score, x1, y1, x2, y2]，分別代表分類編號(hào)、分類得分以及預(yù)測(cè)框?qū)琼旤c(diǎn)坐標(biāo)。

1.3.3 PaddleClas 模型

飛槳圖像識(shí)別套件 PaddleClas 是飛槳為工業(yè)界和學(xué)術(shù)界提供的的一個(gè)圖像識(shí)別任務(wù)的工具集，該模型經(jīng)過數(shù)據(jù)集訓(xùn)練，可以識(shí)別多種物品。在該項(xiàng)目中，我們使用flower數(shù)據(jù)集，使用ResNet50網(wǎng)絡(luò)訓(xùn)練識(shí)別102種花卉，關(guān)于該模型的輸入與輸出節(jié)點(diǎn)信息如所示

表1- 2 ResNet50模型輸入與輸出節(jié)點(diǎn)信息

注：None表示batch維度，H、W 分別為圖片的高和寬，Class表示分類數(shù)量。

花卉訓(xùn)練模型要求圖片輸入為3×224×224大小，輸出結(jié)果為102中預(yù)測(cè)結(jié)果概率。

1.4 創(chuàng)建OpenVINO 方法

C++動(dòng)態(tài)鏈接庫(kù)

1.4.1 新建解決方案以及項(xiàng)目文件

打開vs2022，首先新建一個(gè)C++空項(xiàng)目文件，并將同時(shí)新建一個(gè)解決方案命名為：OpenVinoSharp，用于存放后續(xù)其他項(xiàng)目文件。將C++項(xiàng)目命名為：CppOpenVinoAPI。

進(jìn)入項(xiàng)目后，右擊源文件，選擇添加→新建項(xiàng)→C++文件(cpp)，進(jìn)行的文件的添加。具體操作如圖1- 4所示。

圖1- 4 新建項(xiàng)目解決方案及C++項(xiàng)目

本次我們需要添加OpenVinoAPIcpp以及Source.def兩個(gè)文件，如圖1- 5所示。

圖1- 5 CppOpenVinoAPIl函數(shù)方法所需文件

1.4.2 配置C++項(xiàng)目屬性

右擊項(xiàng)目，點(diǎn)擊屬性，進(jìn)入到屬性設(shè)置，此處需要設(shè)置項(xiàng)目的配置類型包含目錄、庫(kù)目錄以及附加依賴項(xiàng)，本次項(xiàng)目選擇Release模式下運(yùn)行，因此以Release情況進(jìn)行配置。

01

（1）設(shè)置配置與平臺(tái)

進(jìn)入屬性設(shè)置后，在最上面，將配置改為Release，平臺(tái)改為x64。具體操作如圖1- 6所示。

圖1- 6 C++項(xiàng)目屬性配置與平臺(tái)設(shè)置

02

設(shè)置常規(guī)屬性

常規(guī)設(shè)置下，點(diǎn)擊輸出目錄，將輸出位置設(shè)置為，即將生成文件放置在項(xiàng)目文件夾下的dll文件夾下；其次將目標(biāo)文件名修改為：OpenVinoSharp；最后將配置類型改為：動(dòng)態(tài)庫(kù)(.dll)，讓其生成dll文件。具體操作如圖1- 7所示。

圖1- 7 C++項(xiàng)目常規(guī)屬性設(shè)置

03

設(shè)置包含目錄

點(diǎn)擊VC++目錄，然后點(diǎn)擊包含目錄，進(jìn)行編輯，在彈出的新頁(yè)面中，添加以下路徑：

E:OpenCV Sourceopencv-4.5.5uildinclude

E:OpenCV Sourceopencv-4.5.5uildincludeopencv2

C:Program Files (x86)Intelopenvino_2022.1.0.643 untimeinclude

C:Program Files (x86)Intelopenvino_2022.1.0.643 untimeincludeie

其中路徑為OpenCV的安裝路徑，為OpenVINO安裝路徑，個(gè)人根據(jù)自己安裝的位置及版本確定。操作過程如圖1- 8所示。

圖1- 8 C++項(xiàng)目屬性庫(kù)目錄設(shè)置

04

設(shè)置庫(kù)目錄

同樣的方式，在VC++目錄下，點(diǎn)擊下方的庫(kù)目錄，點(diǎn)擊編輯，在彈出來的頁(yè)面中增加以下路徑：

E:OpenCV Sourceopencv-4.5.5uildx64vc15lib

C:Program Files (x86)Intelopenvino_2022.1.0.643 untimelibintel64Release

如果時(shí)配置Debug模式，則需要將Release文件路徑改為Debug即可。

05

設(shè)置附加依賴項(xiàng)

點(diǎn)擊展開鏈接器，點(diǎn)擊輸入，在附加依賴項(xiàng)中點(diǎn)擊編輯，在彈出來的新的頁(yè)面，添加以下文件名：

opencv_world455.lib

openvino.lib

具體操作步驟參考如圖1-9所示。新版OpenCV與OpenVINO 都將依賴庫(kù)文件合成到了一個(gè)文件中，這極大地簡(jiǎn)化了使用，如果使用老版本的，需要將所有的.lib文件放置在此處即可。

圖1- 9 C++項(xiàng)目屬性附加依賴項(xiàng)設(shè)置

1.4.3 編寫C++代碼

01

推理引擎結(jié)構(gòu)體

Core是OpenVINO 工具套件里的推理核心類，該類下包含多個(gè)方法，可用于創(chuàng)建推理中所使用的其他類。在此處，需要在各個(gè)方法中傳遞的僅僅是所使用的幾個(gè)變量，因此選擇構(gòu)建一個(gè)推理引擎結(jié)構(gòu)體，用于存放各個(gè)變量。

// @brief 推理核心結(jié)構(gòu)體

typedef struct openvino_core {

ov::Core core; // core對(duì)象

std::shared_ptr model_ptr; // 讀取模型指針

ov::CompiledModel compiled_model; // 模型加載到設(shè)備對(duì)象

ov::InferRequest infer_request; // 推理請(qǐng)求對(duì)象

} CoreStruct;

其中Core是OpenVINO 工具套件里的推理機(jī)核心，該模塊只需要初始化；shared_ptr是讀取本地模型的方法，新版更新后，該方法發(fā)生了較大改動(dòng)，可支持讀取Paddlepaddle飛槳模型、onnx模型以及IR模型；CompiledModel指的是一個(gè)已編譯的模型類，其主要是將讀取的本地模型應(yīng)用多個(gè)優(yōu)化轉(zhuǎn)換，然后映射到計(jì)算內(nèi)核，由所指定的設(shè)備編譯模型；InferRequest是一個(gè)推理請(qǐng)求類，在推理中主要用于對(duì)推理過程的操作。

02

接口方法規(guī)劃

經(jīng)典的OpenVINO 進(jìn)行模型推理，一般需要八個(gè)步驟，主要是：初始化Core對(duì)象、讀取本地推理模型、配置模型輸入&輸出、載入模型到執(zhí)行硬件、創(chuàng)建推理請(qǐng)求、準(zhǔn)備輸入數(shù)據(jù)、執(zhí)行推理計(jì)算以及處理推理計(jì)算結(jié)果。我們根據(jù)原有的八個(gè)步驟，對(duì)步驟進(jìn)行重新整合，并根據(jù)推理步驟，調(diào)整方法接口。

對(duì)于方法接口，主要設(shè)置為：推理初始化、配置輸入數(shù)據(jù)形狀、配置輸入數(shù)據(jù)、模型推理、讀取推理結(jié)果數(shù)據(jù)以及刪除內(nèi)存地址六個(gè)大類，其中配置輸入數(shù)據(jù)形狀要細(xì)分為配置圖片數(shù)據(jù)形狀以及普通數(shù)據(jù)形狀，配置輸入數(shù)據(jù)要細(xì)分為配置圖片輸入數(shù)據(jù)與配置普通數(shù)據(jù)輸入，讀取推理結(jié)果數(shù)據(jù)細(xì)分為讀取float數(shù)據(jù)和int數(shù)據(jù)，因此，總共有6類方法接口，9個(gè)方法接口。

03

初始化推理模型

OpenVINO 推理引擎結(jié)構(gòu)體是聯(lián)系各個(gè)方法的橋梁，后續(xù)所有操作都是在推理引擎結(jié)構(gòu)體中的變量上操作的，為了實(shí)現(xiàn)數(shù)據(jù)在各個(gè)方法之間的傳輸，因此在創(chuàng)建推理引擎結(jié)構(gòu)體時(shí)，采用的是創(chuàng)建結(jié)構(gòu)體指針，并將創(chuàng)建的結(jié)構(gòu)體地址作為函數(shù)返回值返回。推理初始化接口主要整合了原有推理的初始化Core對(duì)象、讀取本地推理模型、載入模型到執(zhí)行硬件和創(chuàng)建推理請(qǐng)求步驟，并將這些步驟所創(chuàng)建的變量放在推理引擎結(jié)構(gòu)體中。

初始化推理模型接口方法為：

extern "C" __declspec(dllexport) void* __stdcall core_init(const wchar_t* model_file_wchar, const wchar_t* device_name_wchar);

該方法返回值為CoreStruct結(jié)構(gòu)體指針，其中model_file_wchar為推理模型本地地址字符串指針，device_name_wchar為模型運(yùn)行設(shè)備名指針，在后面使用上述變量時(shí)，需要將其轉(zhuǎn)換為string字符串，利用wchar_to_string()方法可以實(shí)現(xiàn)將其轉(zhuǎn)換為字符串格式：

std::string model_file_path = wchar_to_string(model_file_wchar);

std::string device_name = wchar_to_string(device_name_wchar);

模型初始化功能主要包括：初始化推理引擎結(jié)構(gòu)體和對(duì)結(jié)構(gòu)體里面定義的其他變量進(jìn)行賦值操作，其主要是利用InferEngineStruct中創(chuàng)建的Core類中的方法，對(duì)各個(gè)變量進(jìn)行初始化操作：

CoreStruct* p = new CoreStruct(); // 創(chuàng)建推理引擎指針

p->model_ptr = p->core.read_model(model_file_path); // 讀取推理模型

p->compiled_model = p->core.compile_model(p->model_ptr, ?CPU“); // 將模型加載到設(shè)備

p->infer_request = p->compiled_model.create_infer_request(); // 創(chuàng)建推理請(qǐng)求

04

配置輸入數(shù)據(jù)形狀

在新版OpenVINO 2022.1 中，新增加了對(duì)Paddlepaddle 模型以及onnx模型的支持，Paddlepaddle 模型不支持指定指定默認(rèn)bath通道數(shù)量，因此需要在模型使用時(shí)指定其輸入；其次，對(duì)于onnx模型，也可以在轉(zhuǎn)化時(shí)不指定固定形狀，因此在配置輸入數(shù)據(jù)前，需要配置輸入節(jié)點(diǎn)數(shù)據(jù)形狀。其方法接口為：

extern "C" __declspec(dllexport) void* __stdcall set_input_image_sharp(void* core_ptr, const wchar_t* input_node_name_wchar, size_t * input_size);

extern "C" __declspec(dllexport) void* __stdcall set_input_data_sharp(void* core_ptr, const wchar_t* input_node_name_wchar, size_t * input_size);

由于需要配置圖片數(shù)據(jù)輸入形狀與普通數(shù)據(jù)的輸入形狀，在此處設(shè)置了兩個(gè)接口，分別設(shè)置兩種不同輸入的形狀。該方法返回值是CoreStruct結(jié)構(gòu)體指針，但該指針?biāo)鶎?duì)應(yīng)的數(shù)據(jù)中已經(jīng)包含了對(duì)輸入形狀的設(shè)置。第一個(gè)輸入參數(shù)core_ptr是CoreStruct指針，在當(dāng)前方法中，我們要讀取該指針，并將其轉(zhuǎn)換為CoreStruct類型：

CoreStruct* p = (CoreStruct*)core_ptr;

input_node_name_wchar 為待設(shè)置網(wǎng)絡(luò)節(jié)點(diǎn)名，input_size 為形狀數(shù)據(jù)數(shù)組，對(duì)圖片數(shù)據(jù)，需要設(shè)置 [batch, dim, height, width] 四個(gè)維度大小，所以input_size數(shù)組傳入4個(gè)數(shù)據(jù)，其設(shè)置在形狀主要使用Tensor類下的set_shape()方法：

std::string input_node_name = wchar_to_string(input_node_name_wchar); // 將節(jié)點(diǎn)名轉(zhuǎn)為string類型

ov::Tensor input_image_tensor = p->infer_request.get_tensor(input_node_name); // 讀取指定節(jié)點(diǎn)Tensor

input_image_tensor.set_shape({ input_size[0],input_size[1],input_size[2],input_size[3] }); // 設(shè)置節(jié)點(diǎn)數(shù)據(jù)形狀

05

配置輸入數(shù)據(jù)

在新版OpenVINO 中，Tensor類的T* data()方法，其返回值為當(dāng)前節(jié)點(diǎn)Tensor的數(shù)據(jù)內(nèi)存地址，通過填充Tensor的數(shù)據(jù)內(nèi)存，實(shí)現(xiàn)推理數(shù)據(jù)的輸入。對(duì)于圖片數(shù)據(jù)，其最終也是將其轉(zhuǎn)為一維數(shù)據(jù)進(jìn)行輸入，不過為方便使用，此處提供了配置圖片數(shù)據(jù)和普通數(shù)據(jù)的接口，對(duì)于輸入為圖片的方法接口：

extern "C" __declspec(dllexport) void* __stdcall load_image_input_data(void* core_ptr, const wchar_t* input_node_name_wchar, uchar * image_data, size_t image_size)；

該方法返回值是CoreStruct結(jié)構(gòu)體指針，但該指針?biāo)鶎?duì)應(yīng)的數(shù)據(jù)中已經(jīng)包含了加載的圖片數(shù)據(jù)。第一個(gè)輸入?yún)?shù)core_ptr是CoreStruct指針，在當(dāng)前方法中，我們要讀取該指針，并將其轉(zhuǎn)換為CoreStruct類型；第二個(gè)輸入?yún)?shù)input_node_name_wchar為待填充節(jié)點(diǎn)名，先將其轉(zhuǎn)為string字符串：

std::string input_node_name = wchar_to_string(input_node_name_wchar);

在該項(xiàng)目中，我們主要使用的是以圖片作為模型輸入的推理網(wǎng)絡(luò)，模型主要的輸入為圖片的輸入。其圖片數(shù)據(jù)主要存儲(chǔ)在矩陣image_data和矩陣長(zhǎng)度image_size兩個(gè)變量中。需要對(duì)圖片數(shù)據(jù)進(jìn)行整合處理，利用創(chuàng)建的data_to_mat () 方法，將圖片數(shù)據(jù)讀取到OpenCV中：

cv::Mat input_image = data_to_mat(image_data, image_size);

接下來就是配置網(wǎng)絡(luò)圖片數(shù)據(jù)輸入，對(duì)于節(jié)點(diǎn)輸入是圖片數(shù)據(jù)的網(wǎng)絡(luò)節(jié)點(diǎn)，其配置網(wǎng)絡(luò)輸入主要分為以下幾步：

首先，獲取網(wǎng)絡(luò)輸入圖片大小。

使用InferRequest類中的get_tensor ()方法，獲取指定網(wǎng)絡(luò)節(jié)點(diǎn)的Tensor，其節(jié)點(diǎn)要求輸入大小在Shape容器中，通過獲取該容器，得到圖片的長(zhǎng)寬信息：

ov::Tensor input_image_tensor = p->infer_request.get_tensor(input_node_name);

int input_H = input_image_tensor.get_shape()[2]; //獲得“image“節(jié)點(diǎn)的Height

int input_W = input_image_tensor.get_shape()[3]; //獲得“image“節(jié)點(diǎn)的Width

其次，按照輸入要求，處理輸入圖片。

在這一步，我們除了要按照輸入大小對(duì)圖片進(jìn)行放縮之外，還要根據(jù) PaddlePaddle 對(duì)模型輸入的要求進(jìn)行處理。因此處理圖片其主要分為交換RGB通道、放縮圖片以及對(duì)圖片進(jìn)行歸一化處理。在此處我們借助OpenCV來實(shí)現(xiàn)。

OpenCV讀取圖片數(shù)據(jù)并將其放在Mat類中，其讀取的圖片數(shù)據(jù)是BGR通道格式，PaddlePaddle 要求輸入格式為RGB通道格式，其通道轉(zhuǎn)換主要靠一下方式實(shí)現(xiàn)：

cv::cvtColor(input_image, blob_image, cv::COLOR_BGR2RGB);

接下來就是根據(jù)網(wǎng)絡(luò)輸入要求，對(duì)圖片進(jìn)行壓縮處理：

cv::resize(blob_image, blob_image, cv::Size(input_H, input_W), 0, 0, cv::INTER_LINEAR);

最后就是對(duì)圖片進(jìn)行歸一化處理，其主要處理步驟就是減去圖像數(shù)值均值，并除以方差。查詢PaddlePaddle模型對(duì)圖片的處理，其均值mean = [0.485, 0.456, 0.406]，方差std = [0.229, 0.224, 0.225]，利用OpenCV中現(xiàn)有函數(shù)，對(duì)數(shù)據(jù)進(jìn)行歸一化處理：

std::vectormean_values{ 0.485 * 255, 0.456 * 255, 0.406 * 255 };

std::vectorstd_values{ 0.229 * 255, 0.224 * 255, 0.225 * 255 };

std::vectorrgb_channels(3);

cv::split(blob_image, rgb_channels); // 分離圖片數(shù)據(jù)通道

for (auto i = 0; i < rgb_channels.size(); i++){

//分通道依此對(duì)每一個(gè)通道數(shù)據(jù)進(jìn)行歸一化處理

rgb_channels[i].convertTo(rgb_channels[i], CV_32FC1, 1.0 / std_values[i], (0.0 – mean_values[i]) / std_values[i]);

}

cv::merge(rgb_channels, blob_image); // 合并圖片數(shù)據(jù)通道

最后，將圖片數(shù)據(jù)輸入到模型中。

在此處，我們重寫了網(wǎng)絡(luò)賦值方法，并將其封裝到 fill_tensor_data_image(ov::Tensor& input_tensor, const cv::Mat& input_image)方法中，input_tensor為模型輸入節(jié)點(diǎn)Tensor類，input_image為處理過的圖片Mat數(shù)據(jù)。因此節(jié)點(diǎn)賦值只需要調(diào)用該方法即可：

fill_tensor_data_image(input_image_tensor, blob_image);

對(duì)于普通數(shù)據(jù)的輸入，其方法接口如下：

extern "C" __declspec(dllexport) void* __stdcall load_input_data(void* core_ptr, const wchar_t* input_node_name_wchar, float* input_data);

與配置圖片數(shù)據(jù)不同點(diǎn)，在于輸入數(shù)據(jù)只需要輸入input_data數(shù)組即可。其數(shù)據(jù)處理哦在外部實(shí)現(xiàn)，只需要將處理后的數(shù)據(jù)填充到輸入節(jié)點(diǎn)的數(shù)據(jù)內(nèi)存中即可，通過調(diào)用自定義的fill_tensor_data_float(ov::Tensor& input_tensor, float* input_data, int data_size) 方法即可實(shí)現(xiàn)：

std::string input_node_name = wchar_to_string(input_node_name_wchar);

ov::Tensor input_image_tensor = p->infer_request.get_tensor(input_node_name); // 讀取指定節(jié)點(diǎn)tensor

int input_size = input_image_tensor.get_shape()[1]; //獲得輸入節(jié)點(diǎn)的長(zhǎng)度

fill_tensor_data_float(input_image_tensor,input_data, input_size); // 將數(shù)據(jù)填充到tensor數(shù)據(jù)內(nèi)存上

06

模型推理

上一步中我們將推理內(nèi)容的數(shù)據(jù)輸入到了網(wǎng)絡(luò)中，在這一步中，我們需要進(jìn)行數(shù)據(jù)推理，這一步中我們留有一個(gè)推理接口：

extern "C" __declspec(dllexport) void* __stdcall core_infer(void* core_ptr)

進(jìn)行模型推理，只需要調(diào)用CoreStruct結(jié)構(gòu)體中的infer_request對(duì)象中的infer()方法即可：

CoreStruct* p = (CoreStruct*)core_ptr;

p->infer_request.infer();

07

讀取推理數(shù)據(jù)

上一步我們對(duì)數(shù)據(jù)進(jìn)行了推理，這一步就需要查詢上一步推理的結(jié)果。對(duì)于我們所使用的模型輸出，主要有float數(shù)據(jù)和int數(shù)據(jù)，對(duì)此，留有了兩種數(shù)據(jù)的查詢接口，其方法為：

extern "C" __declspec(dllexport) void __stdcall read_infer_result_F32(void* core_ptr, const wchar_t* output_node_name_wchar, int data_size, float* infer_result);

extern "C" __declspec(dllexport) void __stdcall read_infer_result_I32(void* core_ptr, const wchar_t* output_node_name_wchar, int data_size, int* infer_result);

其中data_size為讀取數(shù)據(jù)長(zhǎng)度，infer_result 為輸出數(shù)組指針。讀取推理結(jié)果數(shù)據(jù)與加載推理數(shù)據(jù)方式相似，依舊是讀取輸出節(jié)點(diǎn)處數(shù)據(jù)內(nèi)存的地址：

const ov::Tensor& output_tensor = p->infer_request.get_tensor(output_node_name);

const float* results = output_tensor.data();

針對(duì)讀取整形數(shù)據(jù)，其方法一樣，只是在轉(zhuǎn)換類型時(shí)，需要將其轉(zhuǎn)換為整形數(shù)據(jù)即可。我們讀取的初始數(shù)據(jù)為二進(jìn)制數(shù)據(jù)，因此要根據(jù)指定類型轉(zhuǎn)換，否則數(shù)據(jù)會(huì)出現(xiàn)錯(cuò)誤。將數(shù)據(jù)讀取出來后，將其放在數(shù)據(jù)結(jié)果指針中，并將所有結(jié)果賦值到輸出數(shù)組中：

for (int i = 0; i < data_size; i++) {

*inference_result = results[i];

inference_result++;

}

08

刪除推理核心結(jié)構(gòu)體指針

推理完成后，我們需要將在內(nèi)存中創(chuàng)建的推理核心結(jié)構(gòu)地址刪除，防止造成內(nèi)存泄露，影響電腦性能，其接口該方法為：

extern "C" __declspec(dllexport) void __stdcall core_delet(void* core_ptr);

在該方法中，我們只需要調(diào)用delete命令，將結(jié)構(gòu)體指針刪除即可。

1.4.4 編寫模塊定義文件

我們?cè)诙x接口方法時(shí)，在原有方法的基礎(chǔ)上，增加了extern "C" 、 __declspec(dllexport) 以及__stdcall 三個(gè)標(biāo)識(shí)，其主要原因是為了讓編譯器識(shí)別我們的輸出方法。其中，extern ?C“是指示編譯器這部分代碼按C語(yǔ)言（而不是C++）的方式進(jìn)行編譯；__declspec(dllexport)用于聲明導(dǎo)出函數(shù)、類、對(duì)象等供外面調(diào)用；__stdcall是一種函數(shù)調(diào)用約定。通過上面三個(gè)標(biāo)識(shí)，我們?cè)贑++種所寫的接口方法，會(huì)在dll文件中暴露出來，并且可以實(shí)現(xiàn)在C#中的調(diào)用。

不過上面所說內(nèi)容，我們?cè)诰庉嬈髦锌梢酝ㄟ^模塊定義文件(.def)所實(shí)現(xiàn)，在模塊定義文件中，添加以下代碼：

LIBRARY

"OpenVinoSharp"

EXPORTS

core_init

set_input_image_sharp

set_input_data_sharp

load_image_input_data

load_input_data

core_infer

read_infer_result_F32

read_infer_result_I32

core_delet

LIBRARY后所跟的為輸出文件名，EXPORTS后所跟的為輸出方法名。僅需要以上語(yǔ)句便可以替代extern "C" 、 __declspec(dllexport) 以及__stdcall的使用。

1.4.5 生成dll文件

前面我們將項(xiàng)目配置輸出設(shè)置為了生成dll文件，因此該項(xiàng)目不是可以執(zhí)行的exe文件，只能生成不能運(yùn)行。右鍵項(xiàng)目，選擇重新生成/生成。在沒有錯(cuò)誤的情況下，會(huì)看到項(xiàng)目成功的提示?？梢钥吹絛ll文件在解決方案同級(jí)目錄下x64Release文件夾下。

使用dll文件查看器打開dll文件，如圖1- 10所示；可以看到，我們創(chuàng)建的四個(gè)方法接口已經(jīng)暴露在dll文件中。

圖1- 10 dll文件方法輸出目錄

1.5 C#構(gòu)建Core類

1.5.1 新建C#類庫(kù)

右擊解決方案，添加->新建項(xiàng)目，選擇添加C#類庫(kù)，項(xiàng)目名命名為OpenVinoSharp，項(xiàng)目框架根據(jù)電腦中的框架選擇，此處使用的是.NET 5.0。新建完成后，然后右擊項(xiàng)目，選擇添加->新建項(xiàng)，選擇類文件，添加Core.cs和NativeMethods.cs兩個(gè)類文件。

1.5.2 引入dll文件中的方法

在NativeMethods.cs文件下，我們通過[DllImport()]方法，將dll文件中所有的方法讀取到C#中。讀取方式如下：

[DllImport(openvino_dll_path, CharSet = CharSet.Unicode, CallingConvention = CallingConvention.Cdecl)]

public extern static IntPtr core_init(string model_file, string device_name);

其中openvino_dll_path為dll文件路徑，CharSet = CharSet.Unicode代表支持中文編碼格式字符串，CallingConvention = CallingConvention.Cdecl指示入口點(diǎn)的調(diào)用約定為調(diào)用方清理堆棧。

上述所列出的為初始化推理模型，dlii文件接口在匹配時(shí)，是通過方法名字匹配的，因此，方法名要保證與dll文件中一致。其次就是方法的參數(shù)類型要進(jìn)行對(duì)應(yīng)，在上述方法中，函數(shù)的返回值在C++中為void* ，在C#中對(duì)應(yīng)的為IntPtr類型，輸入?yún)?shù)中，在C++中為wchar_t* 字符指針，在C#中對(duì)應(yīng)的為string字符串。通過方法名與參數(shù)類型一一對(duì)應(yīng)，在C#可以實(shí)現(xiàn)對(duì)方法的調(diào)用。其他方法的引用類似，在此處不在一一贅述，具體可以參照項(xiàng)目提供的源代碼。

1.5.3 創(chuàng)建Core類

為了更方便地調(diào)用我們通過dll引入的OpenVINO 方法，減少使用時(shí)的函數(shù)方法接口，我們?cè)贑#中重新組建我們自己的推理類，命名為Class Core，其主要成員變量和方法如圖1- 11所示。

圖1- 11 Core類圖

在Core.類中，我們只需要?jiǎng)?chuàng)建一個(gè)地址變量，作為Core類的成員變量，用于接收接口函數(shù)返回的推理核心指針，該成員變量我們只需要在當(dāng)前類下訪問，因此將其設(shè)置為私有變量：

private IntPtr ptr = new IntPtr();

接下來，構(gòu)建類的構(gòu)造函數(shù)，在類的初始化時(shí)，我們需要輸入模型地址以及設(shè)備類型，通過掉用dll文件中引入的方法，獲取初始化指針，對(duì)成員變量進(jìn)行賦值，實(shí)現(xiàn)類的初始化：

public Core(string model_file, string device_name) {

ptr = NativeMethods.core_init(model_file, device_name);

}

然后構(gòu)其中的方法，在構(gòu)建設(shè)置數(shù)據(jù)輸入形狀時(shí)，我們需要提供的為節(jié)點(diǎn)名以及形狀數(shù)據(jù)，為了簡(jiǎn)化該方法，我們合并了圖片形狀設(shè)置與普通數(shù)據(jù)形狀設(shè)置接口，通過判斷輸入數(shù)組的長(zhǎng)度，來確定是對(duì)那一個(gè)形狀的設(shè)置：

public void set_input_sharp(string input_node_name, ulong[] input_size);

對(duì)于該類中方法的構(gòu)建，可以參考源碼文件，在此處不做詳述。并且其他方法構(gòu)建方式基本相似，此處不在一一贅述，具體可以參考源碼文檔。

1.5.4 編譯Core類庫(kù)

右擊項(xiàng)目，點(diǎn)擊生成/重新生成，出現(xiàn)如下圖1- 12所示，表示編譯成功。

圖1- 12 Core類編譯輸出

1.6 C#實(shí)現(xiàn)OpenVINO

方法的調(diào)用

1.6.1 新建C#項(xiàng)目

右擊解決方案，添加->新建項(xiàng)目，選擇添加C#控制臺(tái)項(xiàng)目，項(xiàng)目框架根據(jù)電腦中的框架選擇，此處使用的是.NET 5.0。

圖1- 13 C#項(xiàng)目設(shè)置

1.6.2 添加OpenCVsharp

右擊項(xiàng)目，選擇管理NuGet程序包，在新頁(yè)面中選擇瀏覽，在搜索框中輸入opencvsharp3，在搜索結(jié)果中，找到OpenCvSharp3-AnyCPU，然后右側(cè)點(diǎn)擊安裝，具體操作步驟如圖1- 14所示。

圖1- 14 NuGet程序包安裝

1.6.3添加項(xiàng)目引用

上一步中我們將dll文件中的方法引入到C#中，并組建了Core類，在這一步中，我們主要通過調(diào)用Core類，進(jìn)行Al模型的部署，所以需要引入上一步的項(xiàng)目。

右擊當(dāng)前項(xiàng)目，選擇添加，選擇項(xiàng)目引用，在出現(xiàn)的窗體中，選擇上一步中創(chuàng)建的項(xiàng)目OpenVinoSharp，點(diǎn)擊確定；然后在當(dāng)前項(xiàng)目下，添加using OpenVinoSharp命名空間。具體操作如圖1- 15所示。

圖1- 15 添加項(xiàng)目引用

1.6.4 編寫代碼測(cè)試花卉分類模型

在該項(xiàng)目中，我們提供了兩種推理模型，此處我們以花卉分類模型為例，簡(jiǎn)介如何通過C#調(diào)用OpenVINO 進(jìn)行Al模型的部署。

01

引入相關(guān)變量

string device_name = "CPU";

string model_file = "E:/Text_Model/flowerclas/flower_rec.onnx";

string image_file = "E:/Text_dataset/flowers102/jpg/image_00001.jpg";

string input_node_name = "x";

string output_node_name = "softmax_1.tmp_0";

為了讓大家更加清晰的看懂后續(xù)代碼，在此處對(duì)引入的相關(guān)變量進(jìn)行解釋：

device_name：設(shè)備類型名稱，可為CPU、GPU以及AUTO（均可）；

model_file：模型地址，可以為onnx、pdmodel或者xml格式；

image_file：測(cè)試圖片地址；

input_node_name：輸入模型節(jié)點(diǎn)名，當(dāng)多輸入時(shí)，可以為數(shù)組；

output_node_name：輸出模型節(jié)點(diǎn)名，當(dāng)多輸出時(shí)，可以為數(shù)組。

02

初始化Core類

在此處我們直接調(diào)用Core類的構(gòu)造函數(shù)，進(jìn)行初始化：

Core ie = new Core(model_file_paddle, device_name);

03

配置模型輸入

花卉分類模型輸入只有一個(gè)，即待分類花卉圖片。如果我們調(diào)用的模型未指定輸入大小，需要在輸入數(shù)據(jù)前，調(diào)用模型輸入數(shù)據(jù)形狀設(shè)置方法，設(shè)置節(jié)點(diǎn)輸入數(shù)據(jù)形狀。圖片數(shù)據(jù)為三維數(shù)組，再加一個(gè)batchsize，最終為四維數(shù)據(jù)，將形狀數(shù)據(jù)放在數(shù)組中，調(diào)用set_input_sharp()方法：

ulong[] image_sharp = new ulong[] { 1, 3, 224, 224 };

ie.set_input_sharp(input_node_name, image_sharp);

對(duì)于圖片數(shù)據(jù)，需要將其轉(zhuǎn)為轉(zhuǎn)為矩陣數(shù)據(jù)，在此處，我們可以直接使用opencvsharp中的編解碼方法，將圖片數(shù)據(jù)放置在byte數(shù)組中：

Mat image = new Mat(image_file);

byte[] image_data = new byte[2048 * 2048 * 3];

ulong image_size = new ulong();

image_data = image.ImEncode(".bmp");

image_size = Convert.ToUInt64(image_data.Length);

就最后調(diào)用Core類中的load _input_data()方法，將數(shù)據(jù)加載到推理網(wǎng)絡(luò)中：

ie.load_input_data(input_node_name, image_data, image_size);

在配置完輸入數(shù)據(jù)后，調(diào)用模型推理方法，對(duì)輸入數(shù)據(jù)進(jìn)行推理：

ie.infer();

接下來就是讀取推理結(jié)果，對(duì)于模型的推理結(jié)果輸出一般為數(shù)組數(shù)據(jù)，可以通過調(diào)用Core類中讀取推理數(shù)據(jù)結(jié)果的方法，對(duì)與花卉分類模型的輸出，其結(jié)果為長(zhǎng)度為102的浮點(diǎn)型數(shù)據(jù)，所以直接調(diào)用read_inference_result ()方法讀取即可：

float[] result = new float[102];

result = ie.read_infer_result(output_node_name, 102);

在讀取推理數(shù)據(jù)時(shí)，我們一定要根據(jù)模型的書名讀取正確的結(jié)果數(shù)據(jù)，因?yàn)槿绻鰧?shí)際輸出長(zhǎng)度，其結(jié)果數(shù)據(jù)會(huì)摻雜其他干擾數(shù)據(jù)。

最后一步就是處理輸出數(shù)據(jù)。對(duì)于不同的推理模型，其結(jié)果處理方式是不同的，對(duì)于花卉分類模型，其輸出為102種分類情況打分，因此，在處理數(shù)據(jù)時(shí)，需要找出得分最高的哪一類即可。在此處，我們提供了一個(gè)方法，該方法可以實(shí)現(xiàn)提取數(shù)組中前N個(gè)max數(shù)據(jù)的位置，通過調(diào)用該方法，我們可以獲取分類結(jié)果中分?jǐn)?shù)最高的幾個(gè)結(jié)果，并將結(jié)果打印輸出：

int[] index = find_array_max(result,5);

for (int i = 0; i < 5; i++){

Console.WriteLine("the index is {0} , the score is {1} ", index[i], result[index[i]]);

}

最終輸出結(jié)果如圖1- 16所示，該頁(yè)面打印出來了推理結(jié)果預(yù)測(cè)分?jǐn)?shù)最大的前五個(gè)分?jǐn)?shù)和其對(duì)應(yīng)的索引值，最后可以通過索引值查詢flowers102_label_list.txt文件中對(duì)應(yīng)的花卉名稱。

圖1- 16 花卉分類結(jié)果

在程序最后，我們?cè)撔枰獙⑶懊嬖趦?nèi)存上創(chuàng)建推理引擎結(jié)構(gòu)體進(jìn)行刪除，只需要調(diào)用Core類下的delet()即可。

1.6.5 編寫代碼測(cè)試車輛識(shí)別模型

對(duì)于車輛識(shí)別模型此處不再進(jìn)行詳細(xì)講解，具體實(shí)現(xiàn)可以參考源碼文件，此處只對(duì)一些不同點(diǎn)進(jìn)行分析。

在配置輸入時(shí)，除了需要配置圖片數(shù)據(jù)輸入，還需要配置圖片長(zhǎng)寬數(shù)據(jù)以及長(zhǎng)寬縮放比例數(shù)據(jù)，在配置時(shí)，只需要將數(shù)據(jù)放置在數(shù)組中，通過調(diào)用load_input_data()方法實(shí)現(xiàn)，對(duì)于設(shè)置縮放比例數(shù)據(jù)輸入，如下所示：

float scale_h = 608.00f / image.Height;

float scale_w = 608.00f / image.Width;

float[] scale_factor = new float[] { scale_h, scale_w };

ie.load_input_data(input_node_name[1], scale_factor);

對(duì)于該模型推理結(jié)果數(shù)據(jù)，總共有兩個(gè)節(jié)點(diǎn)輸出，一個(gè)是識(shí)別結(jié)果數(shù)量，一個(gè)為識(shí)別結(jié)果信息。對(duì)于識(shí)別結(jié)果數(shù)量，其數(shù)據(jù)類型為整形數(shù)據(jù)，對(duì)于單圖片輸入，只需要讀取一位即可，利用該數(shù)據(jù)，確定識(shí)別結(jié)果信息長(zhǎng)度。識(shí)別結(jié)果信息為6列N行數(shù)據(jù)，在數(shù)據(jù)讀取時(shí)，我們將其轉(zhuǎn)化為一維數(shù)據(jù)，所以在處理數(shù)據(jù)時(shí)，以6位數(shù)據(jù)為一組，進(jìn)行處理。

識(shí)別結(jié)果信息數(shù)據(jù)中，第1位為識(shí)別標(biāo)簽，第2位為識(shí)別得分，第3位到第6位四個(gè)數(shù)據(jù)為位置矩形框?qū)屈c(diǎn)坐標(biāo)，通過每6位讀取一次數(shù)據(jù)，獲取識(shí)別結(jié)果。在此處，我們提供了專門的結(jié)果處理方法，通過該方法們可以實(shí)現(xiàn)直接將結(jié)果繪制在原圖片上：

image = draw_image_resule(image, resule_num[0], result, lable, 0.2f);

其中image為原圖片，resule_num[0]為識(shí)別結(jié)果數(shù)量，result為識(shí)別結(jié)果數(shù)組，lable為結(jié)果標(biāo)簽，0.2f為評(píng)價(jià)得分下限。通過結(jié)果處理，將識(shí)別結(jié)果標(biāo)注在圖片中，并把識(shí)別結(jié)果以及得分情況打印在圖片中，最終識(shí)別結(jié)果如圖1- 17所示。

圖1- 17 車輛類型識(shí)別結(jié)果輸出

1.7 程序時(shí)間分析

為了對(duì)比C++、C#以及Python這三個(gè)平臺(tái)下調(diào)用OpenVINO 所使用的時(shí)間，我們通過測(cè)試flower_clas以及vehicle_yolov3_darknet模型運(yùn)行時(shí)間進(jìn)行對(duì)比，在同一臺(tái)電腦相同運(yùn)行環(huán)境之下，以及對(duì)模型的處理方式在不同編程語(yǔ)言下盡量做到相同，在程序測(cè)試100次之后，得到結(jié)果表1- 3如所示。

表1- 3 程序運(yùn)行時(shí)間

在本次檢測(cè)中，我們通過C++、C#以及Python分別調(diào)用OpenVINO 進(jìn)行模型的部署與推理，通過上述表格，一方面可以看出，C#通過調(diào)用C++的dll，實(shí)現(xiàn)模型的部署與推理，并沒有太大的影響程序的運(yùn)行速度；另一方面，C++與C#部署模型推理，在總時(shí)間上來看，運(yùn)行速度是優(yōu)于Python的。

測(cè)試模型運(yùn)行時(shí)間所使用的測(cè)試代碼，已同步到遠(yuǎn)程成代碼托管倉(cāng)庫(kù)gitee與github中，具體在https://gitee.com/guojin-yan/OpenVinoSharp/tree/master/openvino_run_time文件夾下，使用人員可以根據(jù)自己的設(shè)備對(duì)C++、C#和Python三個(gè)平臺(tái)進(jìn)行測(cè)試。

1.8 項(xiàng)目總結(jié)

該項(xiàng)目通過C++調(diào)用OpenVINO ，創(chuàng)建推理方法接口，并通過調(diào)用dll文件的方式，在C#中進(jìn)行重新構(gòu)建Core模型推理類，并測(cè)試了花卉分類模型以及車輛識(shí)別模型，在預(yù)測(cè)結(jié)果精度以及預(yù)測(cè)時(shí)間上，和C++相比，并沒有較大的差異。

該項(xiàng)目所提供的方法，證實(shí)了C#平臺(tái)調(diào)用OpenVINO 的可行性，為后續(xù)在C#部署OpenVINO 模型提供了一個(gè)技術(shù)途徑。本文所有源代碼參見：

https://gitee.com/guojin-yan/OpenVinoSharp

審核編輯 ：李倩