作者：杨雪锋 英特尔物联网行业创新大使
目录
1.3 在C#中调用OpenVINO Runtime API
OpenVINO™ 2022.2版开始支持英特尔独立显卡
，还能通过“累计吞吐量”同时启动集成显卡 + 独立显卡助力全速AI推理。本文基于C#和OpenVINO，将PP-TinyPose模型部署在英特尔独立显卡上。
1.1 PP-TinyPose模型简介
PP-TinyPose是飞桨PaddleDetecion针对移动端设备优化的实时关键点检测模型，可流畅地在移动端设备上执行多人姿态估计任务。PP-TinyPose可以基于人体17个关键点数据集训练后，识别人体关键点，获得人体姿态，如图 1所示。
图 1 PP-TinyPose识别效果图
PP-TinyPose开源项目仓库：https://gitee.com/paddlepaddle/PaddleDetection/tree/release/2.5/configs/keypoint/tiny_pose
1.1.1 PP-TinyPose框架
PP-TinyPose提供了完整的人体关键点识别解决方案，主要包括行人检测以及关键点检测两部分。行人检测通过PP-PicoDet模型来实现，关键点识别通过Lite-HRNet骨干网络+DARK关键点矫正算法来实现，如下图所示。
图 2 PP-TinyPose人体关键点识别
1.2 构建开发环境
本文构建的开发环境，如下所示：
- OpenVINOTM：2022.2.0
- OpenCV：4.5.5
- Visual Studio：2022
- C#框架：.NET 6.0
- OpenCvSharp：OpenCvSharp4
1.2.1 下载项目完整源代码
项目所使用的源码已在完整开源，读者可以直接克隆到本地。
git clone https://gitee.com/guojin-yan/Csharp_and_OpenVINO_deploy_PP-TinyPose.git1.3 在C#中调用OpenVINO Runtime API
由于OpenVINO Runtime只有C++和Python API接口，需要在C#中通过动态链接库方式调用OpenVINO Runtime C++ API。具体教程参考《在C#中调用OpenVINO™ 模型》，对应的参考范例：https://github.com/guojin-yan/OpenVinoSharp.git
1.3.1 在C#中构建Core类
为了更方便的使用，可以在C#中，将调用细节封装到Core类中。根据模型推理的步骤，构建模型推理类：
（1）构造函数
public Core(string model_file, string device_name){
// 初始化推理核心
ptr = NativeMethods.core_init(model_file, device_name);
}
在该方法中，主要是调用推理核心初始化方法，初始化推理核心，读取本地模型，将模型加载到设备、创建推理请求等模型推理步骤。
（2）设置模型输入形状
// @brief 设置推理模型的输入节点的大小
// @param input_node_name 输入节点名
// @param input_size 输入形状大小数组
public void set_input_sharp(string input_node_name, ulong[] input_size) {
// 获取输入数组长度
int length = input_size.Length;
if (length == 4) {
// 长度为4，判断为设置图片输入的输入参数，调用设置图片形状方法
ptr = NativeMethods.set_input_image_sharp(ptr, input_node_name, ref input_size[0]);
}
else if (length == 2) {
// 长度为2，判断为设置普通数据输入的输入参数，调用设置普通数据形状方法
ptr = NativeMethods.set_input_data_sharp(ptr, input_node_name, ref input_size[0]);
}
else {
// 为防止输入发生异常，直接返回
return;
}
}
（3）加载推理数据
// @brief 加载推理数据
// @param input_node_name 输入节点名
// @param input_data 输入数据数组
public void load_input_data(string input_node_name, float[] input_data) {
ptr = NativeMethods.load_input_data(ptr, input_node_name, ref input_data[0]);
}
// @brief 加载图片推理数据
// @param input_node_name 输入节点名
// @param image_data 图片矩阵
// @param image_size 图片矩阵长度
public void load_input_data(string input_node_name, byte[] image_data, ulong image_size, int type) {
ptr = NativeMethods.load_image_input_data(ptr, input_node_name, ref image_data[0], image_size, type);
}
加载推理数据主要包含图片数据和普通的矩阵数据，其中对于图片的预处理，也已经在C++中进行封装，保证了图片数据在传输中的稳定性。
（5）模型推理
// @brief 模型推理
public void infer() {
ptr = NativeMethods.core_infer(ptr);
}
（6）读取推理结果数据
// @brief 读取推理结果数据
// @param output_node_name 输出节点名
// @param data_size 输出数据长度
// @return 推理结果数组
public T[] read_infer_result<T>(string output_node_name, int data_size) {
// 获取设定类型
string t = typeof(T).ToString();
// 新建返回值数组
T[] result = new T[data_size];
if (t == "System.Int32") { // 读取数据类型为整形数据
int[] inference_result = new int[data_size];
NativeMethods.read_infer_result_I32(ptr, output_node_name, data_size, ref inference_result[0]);
result = (T[])Convert.ChangeType(inference_result, typeof(T[]));
return result;
}
else { // 读取数据类型为浮点型数据
float[] inference_result = new float[data_size];
NativeMethods.read_infer_result_F32(ptr, output_node_name, data_size, ref inference_result[0]);
result = (T[])Convert.ChangeType(inference_result, typeof(T[]));
return result;
}
}
在读取模型推理结果时，支持读取整形数据和浮点型数据。
（7）清除地址
// @brief 删除创建的地址
public void delet() {
NativeMethods.core_delet(ptr);
}
- 完成上述封装后，在C#平台下，调用Core类，就可以方便实现OpenVINO推理程序了。
1.4 下载并转换PP-PicoDet模型
1.4.1 PP-PicoDet模型简介
Picodet_s_320_lcnet_pedestrian Paddle格式模型信息如下表所示，其默认的输入为动态形状，需要将该模型的输入形状变为静态形状。
表1 Picodet_s_320_lcnet_pedestrian Paddle格式模型信息
| Input | Output | ||
| 名称 | x | concat_8.tmp_0 | transpose_8.tmp_0 |
| 形状 | [bath_size, 3, 320, 320] | [bath_size, 2125, 4] | [bath_size, 1, 2125] |
| 数据类型 | Float32 | Float32 | Float32 |
1.4.2 模型下载与转换
第一步：下载模型：
命令行直接输入以下模型导出代码，使用PaddleDetecion自带的方法，下载预训练模型并将模型转为导出格式。
导出picodet_s_320_lcnet_pedestrian模型：
python tools/export_model.py -c configs/picodet/application/pedestrian_detection/picodet_s_320_lcnet_pedestrian.yml -o export.benchmark=False export.nms=False weights=https://bj.bcebos.com/v1/paddledet/models/keypoint/tinypose_enhance/picodet_s_320_lcnet_pedestrian.pdparams --output_dir=output_inference导出picodet_s_192_lcnet_pedestrian模型：
python tools/export_model.py -c configs/picodet/application/pedestrian_detection/picodet_s_192_lcnet_pedestrian.yml -o export.benchmark=False export.nms=False weights=https://bj.bcebos.com/v1/paddledet/models/keypoint/tinypose_enhance/picodet_s_192_lcnet_pedestrian.pdparams --output_dir=output_inference此处导出模型的命令与我们常用的命令导出增加了export.benchmark=False和export.nms=False两个指令，主要是关闭模型后处理以及打开模型极大值抑制。如果不关闭模型后处理，模型会增加一个输入，且在模型部署时会出错。
第二步，将模型转换为ONNX格式：
该方式需要安装paddle2onnx和onnxruntime模块。导出方式比较简单，比较注意的是需要指定模型的输入形状，用于固定模型批次的大小。在命令行中输入以下指令进行转换：
paddle2onnx --model_dir output_inference/picodet_s_320_lcnet_pedestrian --model_filename model.pdmodel --params_filename model.pdiparams --input_shape_dict "{'image':[1,3,320,320]}" --opset_version 11 --save_file picodet_s_320_lcnet_pedestrian.onnx第三步：转换为IR格式
利用OpenVINOTM模型优化器，可以实现将ONNX模型转为IR格式
mo --input_model picodet_s_320_lcnet_pedestrian.onnx --input_shape [1,3,256,192] --data_type FP161.5 下载并转换PP-TinyPose模型
1.5.1 PP-TinyPose模型简介
PP-TinyPose 模型信息如下表所示，其默认的输入为动态形状，需要将该模型的输入形状变为静态形状。
表2 PP-TinyPose 256×192 Paddle 模型信息
| Input | Output | ||
| 名称 | image | conv2d_441.tmp_1 | argmax_0.tmp_0 |
| 形状 | [bath_size, 3, 256, 192] | [bath_size, 17, 64, 48] | [bath_size,17] |
| 数据类型 | Float32 | Float32 | Int64 |
1.5.2 模块下载与转换
第一步：下载模型：
命令行直接输入以下代码，或者浏览器输入后面的网址即可。
wget https://bj.bcebos.com/v1/paddledet/models/keypoint/tinypose_enhance/tinypose_256x192.zip下载好后将其解压到文件夹中，便可以获得Paddle格式的推理模型。
第二步：转换为ONNX格式：
该方式需要安装paddle2onnx和onnxruntime模块。在命令行中输入以下指令进行转换，其中转换时需要指定input_shape，否者推理时间会很长：
paddle2onnx --model_dir output_inference/tinypose_256_192/paddle --model_filename model.pdmodel --params_filename model.pdiparams --input_shape_dict "{'image':[1,3,256,192]}" --opset_version 11 --save_file tinypose_256_192.onnx第三步：转换为IR格式
利用OpenVINOTM模型优化器，可以实现将ONNX模型转为IR格式。
cd .\openvino\tools
mo --input_model paddle/model.pdmodel --input_shape [1,3,256,192] --data_type FP16
1.6 编写OpenVINO推理程序
1.6.1 实现行人检测
第一步：初始化PicoDet行人识别类
// 行人检测模型
string mode_path_det = @"E:\Text_Model\TinyPose\picodet_v2_s_320_pedestrian\picodet_s_320_lcnet_pedestrian.onnx";
// 设备名称
string device_name = "CPU";
PicoDet pico_det = new PicoDet(mode_path_det, device_name);首先初始化行人识别类，将本地模型读取到内存中，并将模型加载到指定设备中。
第二步：设置输入输出形状
Size size_det = new Size(320, 320);
pico_det.set_shape(size_det, 2125);根据我们使用的模型，设置模型的输入输出形状。
第三步：实现行人检测
// 测试图片
string image_path = @"E:\Git_space\基于Csharp和OpenVINO部署PP-TinyPose\image\demo_3.jpg";
Mat image = Cv2.ImRead(image_path);
List<Rect> result_rect = pico_det.predict(image);在进行模型推理时，使用OpenCvSharp读取图像，然后带入预测，最终获取行人预测框。最后将行人预测框绘制到图片上，如下图所示。
图 3 行人位置预测结果
1.6.2 实现人体姿态识别
第一步：初始化P人体姿势识别PPTinyPose类
// 关键点检测模型
// onnx格式
string mode_path_pose = @"E:\Text_Model\TinyPose\tinypose_128_96\tinypose_128_96.onnx";
// 设备名称
string device_name = "CPU";
PPTinyPose tiny_pose = new PPTinyPose(mode_path_pose, device_name);首先初始化人体姿势识别PPTinyPose类，将本地模型读取到内存中，并加载到设备上。
第二步：设置输入输出形状
Size size_pose = new Size(128, 96);
tiny_pose.set_shape(size_pose);PP-TinyPose模型输入与输出有对应关系，因此只需要设置输入尺寸
第三步：实现姿势预测
// 测试图片
string image_path = @"E:\Git_space\基于Csharp和OpenVINO部署PP-TinyPose\image\demo_3.jpg";
Mat image = Cv2.ImRead(image_path);
Mat result_image = tiny_pose.predict(image);在进行模型推理时，使用OpenCvSharp读取图像，然后带入预测，最终获取人体姿势结果，如下图所示。
图 4 人体姿态绘制效果图
1.6.3 推理速度测试
本项目在蝰蛇峡谷上完成测试，CPU为i7-12700H，自带锐炬®集成显卡；独立显卡为英特尔®锐炫® A770M独立显卡+16G显存，如下图所示。
图 5 蝰蛇峡谷
测试结果如下表所示
表 3 PP-PicoDet 与 PP-TinyPose 模型运行时间(ms)
| 推理设备 | 模型名称 | PP-PicoDet 320×320 | PP-TinyPose 256×192 | FPS | ||||||
| 模型格式 | 模型 读取 | 加载 数据 | 模型 推理 | 结果 处理 | 模型 读取 | 加载 数据 | 模型 推理 | 结果 处理 | ||
| i7-12700H | IR-FP16 | 159.74 | 1.10 | 2.97 | 0.08 | 322.23 | 0.84 | 5.12 | 1.67 | 85 |
| A770M | IR-FP16 | 5250.30 | 1.36 | 3.77 | 0.01 | 12575.64 | 1.01 | 8.95 | 1.57 | 60 |
注： 模型读取：读取本地模型，加载到设备，创建推理通道；
加载数据：将待推理数据进行处理并加载到模型输入节点；
模型推理：模型执行推理运算；
结果处理：在模型输出节点读取输出数据，并转化为我们所需要的结果数据。
1.7 总结与未来工作展望
本文完整介绍了在C#中基于OpenVINO部署PP-TinyPose模型的完整流程，并开源了完整的项目代码。
从表3的测试结果可以看到，面对级联的小模型，由于存在数据从CPU传到GPU，GPU处理完毕后，结果从GPU传回CPU的时间消耗，独立显卡相对CPU并不具备明显优势。
未来改进方向：
- 借助OpenVINO预处理API，将预处理和后处理集成到GPU中去。
- 借助OpenVINO异步推理API，提升GPU利用率
- 仔细分析CPU和GPU之间的数据传输性能瓶颈，尝试锁页内存、异步传输等优化技术，“隐藏”CPU和GPU之间的数据传输时间消耗。
通知和免责声明：
英特尔技术可能需要支持的硬件、软件或服务激活。
没有任何产品或组件是绝对安全的。
您的费用和结果可能会有所不同。
©英特尔公司。英特尔、英特尔徽标和其他英特尔标志是英特尔公司或其子公司的商标。其他名称和品牌可能是其他方的财产。
294
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
