以下文章來源于CSharp與邊緣模型部署 ，作者椒顏PiPi蝦

作者：顏國進(jìn)

英特爾邊緣計(jì)算創(chuàng)新大使

YOLO-World是一個(gè)融合了實(shí)時(shí)目標(biāo)檢測與增強(qiáng)現(xiàn)實(shí)（AR）技術(shù)的創(chuàng)新平臺，旨在將現(xiàn)實(shí)世界與數(shù)字世界無縫對接。該平臺以YOLO（You Only Look Once）算法為核心，實(shí)現(xiàn)了對視頻中物體的快速準(zhǔn)確識別，并通過AR技術(shù)將虛擬元素與真實(shí)場景相結(jié)合，為用戶帶來沉浸式的交互體驗(yàn)。在本文中，我們將結(jié)合OpenVINO C# API使用最新發(fā)布的OpenVINO 2024.0部署 YOLO-World實(shí)現(xiàn)實(shí)時(shí)開放詞匯對象檢測：

OpenVINO C# API項(xiàng)目鏈接：

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

使用OpenVINO C# API 部署 YOLO-World全部源碼：

https://github.com/guojin-yan/OpenVINO-CSharp-API-Samples/tree/master/model_samples/yolo-world/yolo-world-opencvsharp-net4.8

1前言

1OpenVINO C# API

英特爾發(fā)行版OpenVINO工具套件基于oneAPI而開發(fā)，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，適用于從邊緣到云的各種英特爾平臺上，幫助用戶更快地將更準(zhǔn)確的真實(shí)世界結(jié)果部署到生產(chǎn)系統(tǒng)中。通過簡化的開發(fā)工作流程，OpenVINO可賦能開發(fā)者在現(xiàn)實(shí)世界中部署高性能應(yīng)用程序和算法。

2024年3月7日，英特爾發(fā)布了開源 OpenVINO 2024.0 工具包，用于在各種硬件上優(yōu)化和部署人工智能推理。OpenVINO是英特爾出色的開源AI工具包，不僅可以在x86_64 CPU上加速AI推斷，還可以在ARM CPU和其他架構(gòu)、英特爾集成顯卡和獨(dú)立顯卡等硬件上加速AI推斷，包括最近推出的NPU 插件，用于利用新酷睿超“Meteor Lake”系統(tǒng)芯片中的英特爾神經(jīng)處理單元。OpenVINO 2024.0 更注重生成式人工智能（GenAI），為TensorFlow句子編碼模型提供了更好的開箱即用體驗(yàn)，支持專家混合（MoE）。同時(shí)還提高了LLM的INT4權(quán)重壓縮質(zhì)量，增強(qiáng)了LLM在英特爾CPU上的性能，簡化了Hugging Face模型的優(yōu)化和轉(zhuǎn)換，并改進(jìn)了其他Hugging Face集成。

OpenVINO C# API是一個(gè)OpenVINO的.Net wrapper，應(yīng)用最新的OpenVINO庫開發(fā)，通過 OpenVINOC API實(shí)現(xiàn).Net對OpenVINO Runtime調(diào)用，使用習(xí)慣與OpenVINO C++ API一致。OpenVINO C# API 由于是基于OpenVINO開發(fā)，所支持的平臺與OpenVINO完全一致，具體信息可以參考OpenVINO。通過使用OpenVINO C# API，可以在 .NET、.NET Framework等框架下使用C#語言實(shí)現(xiàn)深度學(xué)習(xí)模型在指定平臺推理加速。

2YOLO-World

YOLO-World是一種創(chuàng)新的實(shí)時(shí)開放詞匯對象檢測技術(shù)，由騰訊AI實(shí)驗(yàn)室開發(fā)。它旨在解決傳統(tǒng)目標(biāo)檢測方法在開放場景中受預(yù)定義類別限制的問題，通過視覺語言建模和大規(guī)模數(shù)據(jù)集預(yù)訓(xùn)練，增強(qiáng)了YOLO系列檢測器對開放詞匯的檢測能力。

該技術(shù)的核心思想在于，利用一個(gè)可重參數(shù)化的視覺語言路徑聚合網(wǎng)絡(luò)（RepVL-PAN）來連接文本和圖像特征，并引入基于區(qū)域的文本對比損失進(jìn)行預(yù)訓(xùn)練。這種設(shè)計(jì)使得YOLO-World能夠在沒有見過具體樣本的情況下，檢測出廣泛的物體類別。同時(shí)，它還能在保持高性能的同時(shí)，降低計(jì)算要求，從而適用于實(shí)時(shí)應(yīng)用。

通過這種方式，YOLO-World能夠增強(qiáng)對開放詞匯的檢測能力，使其能夠在沒有預(yù)先定義類別的情況下識別出廣泛的物體。這種能力使得YOLO-World在實(shí)時(shí)應(yīng)用中，如自動(dòng)駕駛、視頻監(jiān)控、工業(yè)質(zhì)檢等領(lǐng)域具有廣泛的應(yīng)用前景。同時(shí)，YOLO-World還通過優(yōu)化模型架構(gòu)和訓(xùn)練策略，實(shí)現(xiàn)了高性能和實(shí)時(shí)性的平衡。它能夠在保持高準(zhǔn)確率的同時(shí)，降低計(jì)算要求，從而滿足實(shí)際應(yīng)用中對于實(shí)時(shí)性的需求。

總的來說，YOLO-World是一種高效、實(shí)時(shí)且靈活的開放詞匯目標(biāo)檢測器，具有廣泛的應(yīng)用前景和巨大的潛力。它不僅能夠解決傳統(tǒng)目標(biāo)檢測方法在開放場景中的局限性，還能夠?yàn)楦餍袠I(yè)提供實(shí)時(shí)、準(zhǔn)確的物體檢測解決方案。

2模型獲取

YOLO-World模型可以通過[YOLO-World GitHub](https://github.com/AILab-CVC/YOLO-World.git)獲取，小編嘗試了一下，步驟比較復(fù)雜，且配置起來比較麻煩，因此如果是初學(xué)者，不建議使用，下面介紹一個(gè)比較簡單的導(dǎo)出方式：通過Ultralytics 導(dǎo)出。

Ultralytics 提供了一系列用于計(jì)算機(jī)視覺任務(wù)的工具，包括目標(biāo)檢測、圖像分類、語義分割和人臉識別等。這些工具基于流行的深度學(xué)習(xí)框架如PyTorch，并通過簡化復(fù)雜任務(wù)的實(shí)現(xiàn)過程，使用戶能夠更輕松地進(jìn)行模型訓(xùn)練和性能評估。

首先安裝Ultralytics 環(huán)境：

Ultralytics 可以通過pip安裝，在環(huán)境中輸入以下指令即可：

pip install ultralytics

然后通過Python導(dǎo)出模型：

模型導(dǎo)出代碼如下所示：

from ultralytics import YOLO
# Initialize a YOLO-World model
model = YOLO('yolov8s-worldv2.pt')
# Define custom classes
model.set_classes(["person", "bus"])
# Export the model
model.export(format='onnx')

模型導(dǎo)出后結(jié)構(gòu)如下圖所示：

與其他模型不同的時(shí)，YOLO-World模型在推理時(shí)需要指定目標(biāo)對象名稱，因此其輸入包括一個(gè)目標(biāo)對象名稱的節(jié)點(diǎn)，但是目前ONNX模型不支持字符輸入。因此在模型導(dǎo)出時(shí)，根據(jù)自己的模型需求，對需要進(jìn)行識別的對象名稱，進(jìn)行定義；接著在導(dǎo)出模型時(shí)，會將定義的類別字符轉(zhuǎn)換為權(quán)重，直接加載到模型中。

這樣在模型推理時(shí)，就無需再進(jìn)行文本權(quán)重轉(zhuǎn)換，提升模型推理的速度；但這樣也會導(dǎo)致導(dǎo)出的模型無法再修改類別，如果需要更改類別，就需要重新導(dǎo)出模型。

3項(xiàng)目配置

1源碼下載與項(xiàng)目配置

首先使用Git克隆項(xiàng)目源碼。輸入以下指令：

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

代碼下載完成后，使VS 2022打開解決方案Samples.sln文件，找到y(tǒng)olo-world-opencvsharp-net4.8項(xiàng)目，如下圖所示：

接下來安裝依賴項(xiàng)。首先是安裝OpenVINO C# API項(xiàng)目依賴，通過NuGet安裝一下包即可：

OpenVINO.CSharp.API
OpenVINO.runtime.win
OpenVINO.CSharp.API.Extensions
OpenVINO.CSharp.API.Extensions.OpenCvSharp

關(guān)于在不同平臺上搭建 OpenVINO C# API 開發(fā)環(huán)境請參考以下文章：

《在Windows上搭建OpenVINOC#開發(fā)環(huán)境》：

https://github.com/guojin-yan/OpenVINO-CSharp-API/blob/csharp3.1/docs/inatall/Install_OpenVINO_CSharp_Windows_cn.md

《在Linux上搭建OpenVINOC#開發(fā)環(huán)境》

https://github.com/guojin-yan/OpenVINO-CSharp-API/blob/csharp3.1/docs/inatall/Install_OpenVINO_CSharp_Linux_cn.md

《在MacOS上搭建OpenVINOC#開發(fā)環(huán)境》

https://github.com/guojin-yan/OpenVINO-CSharp-API/blob/csharp3.1/docs/inatall/Install_OpenVINO_CSharp_MacOS_cn.md

接下來安裝使用到的圖像處理庫 OpenCvSharp，通過NuGet安裝一下包即可：

OpenCvSharp4
OpenCvSharp4.Extensions
OpenCvSharp4.runtime.win

關(guān)于在其他平臺上搭建 OpenCvSharp 開發(fā)環(huán)境請點(diǎn)擊參閱以下文章：《【OpenCV】在Linux上使用OpenCvSharp》、《【OpenCV】在MacOS上使用OpenCvSharp》。

添加完成項(xiàng)目依賴后，項(xiàng)目的配置文件如下所示：

2定義模型預(yù)測方法

使用OpenVINO C# API部署模型主要包括以下幾個(gè)步驟：

初始化 OpenVINO Runtime Core

讀取本地模型（將圖片數(shù)據(jù)預(yù)處理方式編譯到模型）

將模型編譯到指定設(shè)備

創(chuàng)建推理通道

處理圖像輸入數(shù)據(jù)

設(shè)置推理輸入數(shù)據(jù)

模型推理

獲取推理結(jié)果

處理結(jié)果數(shù)據(jù)

下面根據(jù)模型部署流程，詳細(xì)介紹一下該模型的部署代碼：

該項(xiàng)目主要使用到OpenCvSharp與OpenVINO C# API這兩個(gè)工具包，因此需要添加以下命名空間：

using OpenCvSharp;
using OpenVinoSharp;
using OpenVinoSharp.Extensions.process;

1) 初始化 OpenVINO Runtime Core

Core core = new Core();

2) 讀取本地模型

Model model = core.read_model(tb_model_path.Text);

3) 將模型編譯到指定設(shè)備

CompiledModel compiled_model = core.compile_model(model, cb_device.SelectedItem.ToString());

4) 創(chuàng)建推理通道

InferRequest request = compiled_model.create_infer_request();

5) 處理圖像輸入數(shù)據(jù)

Mat image = Cv2.ImRead(tb_input_path.Text);
Mat mat = new Mat();
Cv2.CvtColor(image, mat, ColorConversionCodes.BGR2RGB);
mat = OpenVinoSharp.Extensions.process.Resize.letterbox_img(mat, (int)input_shape[2], out factor);
mat = Normalize.run(mat, true);
float[] input_data = Permute.run(mat);

6) 設(shè)置推理輸入數(shù)據(jù)

Tensor input_tensor = request.get_input_tensor();
input_tensor.set_data(input_data);

7) 模型推理

request.infer();

8) 獲取推理結(jié)果

Tensor output_boxes = request.get_tensor("boxes");
float[] boxes = output_boxes.get_data((int)output_boxes.get_size());
Tensor output_scores = request.get_tensor("scores");
float[] scores = output_scores.get_data((int)output_scores.get_size());
Tensor output_labels = request.get_tensor("labels");
int[] labels = output_labels.get_data((int)output_labels.get_size());

9) 處理結(jié)果數(shù)據(jù)

DetResult postprocess(float[] result, int categ_nums, float factor) 
{
  Mat result_data = new Mat(4 + categ_nums, 8400, MatType.CV_32F,result);
  result_data = result_data.T();


  // Storage results list
  List position_boxes = new List();
  List classIds = new List();
  List confidences = new List();
  // Preprocessing output results
  for (int i = 0; i < result_data.Rows; i++)
 ? ?{
 ? ? ? ?Mat classesScores = new Mat(result_data, new Rect(4, i, categ_nums, 1));
 ? ? ? ?Point maxClassIdPoint, minClassIdPoint;
 ? ? ? ?double maxScore, minScore;
 ? ? ? ?// Obtain the maximum value and its position in a set of data
 ? ? ? ?Cv2.MinMaxLoc(classesScores, out minScore, out maxScore,
 ? ? ? ? ? ?out minClassIdPoint, out maxClassIdPoint);
 ? ? ? ?// Confidence level between 0 ~ 1
 ? ? ? ?// Obtain identification box information
 ? ? ? ?if (maxScore > 0.25)
    {
      float cx = result_data.At(i, 0);
      float cy = result_data.At(i, 1);
      float ow = result_data.At(i, 2);
      float oh = result_data.At(i, 3);
      int x = (int)((cx - 0.5 * ow) * factor);
      int y = (int)((cy - 0.5 * oh) * factor);
      int width = (int)(ow * factor);
      int height = (int)(oh * factor);
      Rect box = new Rect();
      box.X = x;
      box.Y = y;
      box.Width = width;
      box.Height = height;


      position_boxes.Add(box);
      classIds.Add(maxClassIdPoint.X);
      confidences.Add((float)maxScore);
    }
  }
  // NMS non maximum suppression
  int[] indexes = new int[position_boxes.Count];
  float score = float.Parse(tb_score.Text);
  float nms = float.Parse(tb_nms.Text);
  CvDnn.NMSBoxes(position_boxes, confidences, score, nms, out indexes);
  DetResult re = new DetResult();
  // 
  for (int i = 0; i < indexes.Length; i++)
 ? ?{
 ? ? ? ?int index = indexes[i];
 ? ? ? ?re.add(classIds[index], confidences[index], position_boxes[index]);
 ? ?}
 ? ?return re;
}

以上就是使用OpenVINO C# API 部署YOLO-World模型的關(guān)鍵代碼，具體代碼可以下載項(xiàng)目源碼進(jìn)行查看。

4項(xiàng)目運(yùn)行與演示

配置好項(xiàng)目后，點(diǎn)擊運(yùn)行，本次我們提供給大家的是使用.NET Framework4.8開發(fā)的窗體應(yīng)用程序，如下圖所示，主要還包含五個(gè)部分，分別為推理設(shè)置區(qū)域、控制按鈕、推理信息輸出區(qū)域、原圖展示區(qū)域、推理結(jié)果展示區(qū)域。在使用時(shí)，用戶可以根據(jù)自己需求，選擇導(dǎo)出的模型以及待推理數(shù)據(jù)，支持圖片數(shù)據(jù)以及視頻數(shù)據(jù)，接著輸入自己導(dǎo)出的lables名稱，同時(shí)還可以修改推理設(shè)備、數(shù)據(jù)處理所需的參數(shù)等，接著就可以依次點(diǎn)擊加載模型、模型推理按鈕，進(jìn)行模型推理。最后模型推理結(jié)果如圖所示。

該模型在導(dǎo)出時(shí)，只定義了bus、person類別，因此在模型推理后，可以識別出圖片中的bus、person元素。

接著又測試了導(dǎo)出時(shí)只定義person類別的模型，如下圖所示，最后識別出來的結(jié)果只有person。

最后，我們提供了一個(gè)行人檢測視頻案例，點(diǎn)擊此處查看視頻。

5總結(jié)

在該項(xiàng)目中，我們結(jié)合之前開發(fā)的OpenVINO C# API 項(xiàng)目部署YOLOv9模型，成功實(shí)現(xiàn)了對象目標(biāo)檢測與實(shí)例分割，并且根據(jù)不同開發(fā)者的使用習(xí)慣，同時(shí)提供了OpenCvSharp以及Emgu.CV兩種版本，供各位開發(fā)者使用。最后如果各位開發(fā)者在使用中有任何問題，歡迎大家與我聯(lián)系。