开发者实战 | 在英特尔开发者套件上用 OpenVINO™ 处理 U2-Net 模型的图像分割和背景替换...-CSDN博客

本文介绍了英特尔开发套件AIxBoard，一款专为入门级AI应用设计的嵌入式开发板，配备OpenVINO工具支持，展示了其配置、算力优势以及使用OpenVINO进行U2-Net模型图像分割和背景替换的实战过程，突出了GPU加速的潜力。

摘要由CSDN通过智能技术生成

点击蓝字

关注我们,让开发变得更有趣

作者：康瑶明英特尔边缘计算创新大使

英特尔开发套件 AIxBoard 介绍

背景

英特尔开发套件 AIxBoard（爱克斯板）由2023年蓝蛙智能推出的人工智能嵌入式开发板，是英特尔开发套件官方序列中的一员，专为支持入门级人工智能应用和边缘智能设备而设计。它体积小巧功能强大，是一款面向专业创客、开发者的功能强大的小型计算机，借助 OpenVINO^™ 工具套件，CPU、iGPU 都具备强劲的 AI 推理能力，支持在图像分类、目标检测、分割和语音处理等应用中并行运行多个神经网络。

配置

算力

借助 OpenVINO^™ 工具套件，能够实现 CPU + iGPU 异构计算推理，IGPU 算力约为 0.6 TOPS。

优势

开箱即用，不需要额外购买配件，不需要烧写系统，通电即用
性价比高，板载 8G 内存，64GB 存储，Wi-Fi6 千兆无线网卡，CPU + iGPU 异构计算
通用性好，流畅运行 Win10/Win11，桌面 Linux，软件兼容性好
易用性佳，提供丰富的案例资源，学习门槛低
官方认证，英特尔官方推荐开发套件，品质有保证
个性定制，可更换开机 Logo,产品个性化定制

实物图

环境配置

下载安装 Anaconda

推荐使用国内清华源，可以加速下载（复制地址到浏览器打开）：

https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/

根据提示安装完成后，打开anaconda:

点击命令行工具如下图：

更新 conda

pip更换清华源：

pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple

向右滑动查看完整代码

安装 OpenVINO^™package

详情可参见官网（复制地址到浏览器打开或点击阅读原文）：

https://www.intel.cn/content/www/cn/zh/developer/tools/openvino-toolkit/download.html?ENVIRONMENT=DEV_TOOLS&OP_SYSTEM=WINDOWS&VERSION=v_2023_0_1&DISTRIBUTION=PIP&FRAMEWORK=ONNX%2CPYTORCH%2CTENSORFLOW_2

pip install openvino-dev[ONNX,pytorch,tensorflow2]==2023.0.1

向右滑动查看完整代码

检查是否安装成功

使用以下命令可以查看到 OpenVINO^™ 识别到支持的设备为 CPU 和 GPU。如下图所示，此时说明安装成功，可以找到推理设备。

benchmark_app --help

U2-Net 模型的图像分割和背景替换演示

下载仓库：

git clone https://github.com/openvinotoolkit/openvino_notebooks.git

向右滑动查看完整代码

模型介绍

U2-Net 在 RSU 的基础上开发的，用于显著目标检测（SOD），解决了在保持高分辨率特征图的同时，以较低的内存和计算成本使网络变得更深。U2 网络是一个两层嵌套的U型结构，如下图所示。它的 top-level 是一个由11个阶段组成的大U型结构（图中的立方体）。每一阶段都由一个配置良好的残差 Ublock（RSU）（bottom level U结构）填充。因此，嵌套 U 结构能够更有效地提取阶段内多尺度特征和聚合阶段间多级特征。

模型下载

u2net_lite = model_config(
    name="u2net_lite",
    url="https://drive.google.com/uc?id=1rbSTGKAE-MTxBYHd-51l2hMOQPT_7EPy",
    model=U2NETP,
    model_args=(),
)
model_path = Path(MODEL_DIR) / u2net_model.name / Path(u2net_model.name).with_suffix(".pth")

向右滑动查看完整代码

执行上述代码，下载原模型文件。

导出 onnx

加载模型和预训练的权重文件，导出到 onnx 格式。Pytorch 把所有的模型参数用一个内部定义的 dict 进行保存，称为 state_dict。

# Load the model.
net = u2net_model.model(*u2net_model.model_args)
net.eval()


# Load the weights.
print(f"Loading model weights from: '{model_path}'")
net.load_state_dict(state_dict=torch.load(model_path, map_location="cpu"))


torch.onnx.export(net, torch.zeros((1,3,512,512)), "u2net.onnx")

向右滑动查看完整代码

转化为 IR 格式

使用模型优化器 Python API 将 Pytorch 模型转换为 OpenVINO^™ IR 格式，精度为 FP16。将平均值添加到模型中，并使用带有 scale_values 参数的标准偏差缩放输入。使用这些选项，无需在通过网络传播输入数据之前对其进行规范化。平均值和标准偏差值可以在 U2-Net 存储库的 dataloader 文件中找到，并乘以255以支持像素值为0-255的图像。

model_ir = mo.convert_model(
    "u2net.onnx",
    mean_values=[123.675, 116.28 , 103.53],
    scale_values=[58.395, 57.12 , 57.375],
    compress_to_fp16=True

向右滑动查看完整代码

图片预处理

OpenVINO^™ IR 模型需要 RGB 格式的图像。将图像转换为 RGB，将其大小调整为 512 x 512，并将尺寸转置为 OpenVINO^™ IR 模型所需的格式。

IMAGE_URI = "https://storage.openvinotoolkit.org/repositories/openvino_notebooks/data/data/image/coco_hollywood.jpg"
image = cv2.cvtColor(
    src=load_image(IMAGE_URI),
    code=cv2.COLOR_BGR2RGB,
)
resized_image = cv2.resize(src=image, dsize=(512, 512))
input_image = np.expand_dims(np.transpose(resized_image, (2, 0, 1)), 0)

向右滑动查看完整代码

执行推理

加载模型网络到 OpenVINO^™ Runtime,device_name 指定为 CPU 设备进行推理。

# Load the network to OpenVINO Runtime.
ie = Core()
compiled_model_ir = ie.compile_model(model=model_ir, device_name="CPU")
# Get the names of input and output layers.
input_layer_ir = compiled_model_ir.input(0)
output_layer_ir = compiled_model_ir.output(0)


# Do inference on the input image.
start_time = time.perf_counter()
result = compiled_model_ir([input_image])[output_layer_ir]
end_time = time.perf_counter()
print(
    f"Inference finished. Inference time: {end_time-start_time:.3f} seconds, "
    f"FPS: {1/(end_time-start_time):.2f}."
)

向右滑动查看完整代码

推理完成后，可以看到打印的执行时间和 FPS 值，如下图：

设备切换为 GPU 后可以看到推理时间缩短了近10倍， FPS 也提高了近10倍。然而看到任务管理器 GPU 利用率才50%左右，这说明 GPU 的加速效果还是很可观的。

结果可视化

经过 OpenCV 处理后，从左到右分别是原始图像、分割结果和去除背景的原始图像。

resized_result = np.rint(
    cv2.resize(src=np.squeeze(result), dsize=(image.shape[1], image.shape[0]))
).astype(np.uint8)


# Create a copy of the image and set all background values to 255 (white).
bg_removed_result = image.copy()
bg_removed_result[resized_result == 0] = 255


fig, ax = plt.subplots(nrows=1, ncols=3, figsize=(20, 7))
ax[0].imshow(image)
ax[1].imshow(resized_result, cmap="gray")
ax[2].imshow(bg_removed_result)
for a in ax:
    a.axis("off")

向右滑动查看完整代码

添加背景

通过 cv2.cvtColor 方法，读取到新的长城背景图片，经过转置等操作，给狗狗替换了新的长城背景图片。

background_image = cv2.cvtColor(src=load_image(BACKGROUND_FILE), code=cv2.COLOR_BGR2RGB)
background_image = cv2.resize(src=background_image, dsize=(image.shape[1], image.shape[0]))


# Set all the foreground pixels from the result to 0
# in the background image and add the image with the background removed.
background_image[resized_result == 1] = 0
new_image = background_image + bg_removed_result


# Save the generated image.
new_image_path = Path(f"{OUTPUT_DIR}/{Path(IMAGE_URI).stem}-{Path(BACKGROUND_FILE).stem}.jpg")
cv2.imwrite(filename=str(new_image_path), img=cv2.cvtColor(new_image, cv2.COLOR_RGB2BGR))


# Display the original image and the image with the new background side by side
fig, ax = plt.subplots(nrows=1, ncols=2, figsize=(18, 7))
ax[0].imshow(image)
ax[1].imshow(new_image)
for a in ax:
    a.axis("off")
plt.show()

向右滑动查看完整代码

结论

英特尔开发套件 AI 爱克斯开发板，板载 8G 内存， 64GB 存储，Wi-Fi6 千兆无线网卡，CPU + iGPU 异构计算，还有一个 M.2 插槽支持可扩展硬盘。搭载的 Intel Celeron N5105 是 Jaser Lake 系列的四核处理器，被定位为嵌入式 CPU，不管是性能，还是功耗，散热都做的非常不错。在测试中，内置的集成显卡可以在 U2-Net 模型的加速推理时间缩短近10倍，FPS 也提高了近10倍。然而 GPU 利用率才50%左右，这说明 GPU 的加速效果还是很可观的，还有潜力进一步释放算力，是 AI 开发者的趁手利器。

--END--

你也许想了解(点击蓝字查看)⬇️➡️ OpenVINO™ DevCon 2023重磅回归！英特尔以创新产品激发开发者无限潜能➡️ 5周年更新 | OpenVINO™  2023.0，让AI部署和加速更容易➡️ OpenVINO™5周年重头戏！2023.0版本持续升级AI部署和加速性能➡️ OpenVINO™2023.0实战 | 在 LabVIEW 中部署 YOLOv8 目标检测模型➡️ 开发者实战系列资源包来啦！➡️ 以AI作画，祝她节日快乐；简单三步，OpenVINO™ 助你轻松体验AIGC
➡️ 还不知道如何用OpenVINO™作画？点击了解教程。➡️ 几行代码轻松实现对于PaddleOCR的实时推理，快来get！➡️ 使用OpenVINO 在“端—边—云”快速实现高性能人工智能推理➡️ 图片提取文字很神奇？试试三步实现OCR！➡️【Notebook系列第六期】基于Pytorch预训练模型，实现语义分割任务➡️使用OpenVINO™ 预处理API进一步提升YOLOv5推理性能

扫描下方二维码立即体验 
OpenVINO™ 工具套件 2023.0

点击阅读原文立即体验OpenVINO 2023.0

文章这么精彩，你有没有“在看”？