OpenVINOSharp常用API詳解與演示

作者：顏國進(jìn) 英特爾邊緣計(jì)算創(chuàng)新大使

技術(shù)指導(dǎo)：武卓，李翊瑋

OpenVINO工具套件可以加快深度學(xué)習(xí)視覺應(yīng)用開發(fā)速度，幫助用戶在從邊緣到云的各種英特爾平臺(tái)上，更加方便快捷的將 AI 模型部署到生產(chǎn)系統(tǒng)中。

C# 是由 C 和 C++ 衍生出來的一種安全的、穩(wěn)定的、簡單的、優(yōu)雅的面向?qū)ο?a target="_blank">編程語言，它綜合了 VB 簡單的可視化操作和 C++ 的高運(yùn)行效率，成為支持成為.NET 開發(fā)的首選語言。作為人工智能開發(fā)人員，如果你希望在 C# 端使用 OpenVINO ，OpenVINOSharp 將是你的首選，并且制作了 NuGet 程序包，實(shí)現(xiàn)在 C# 端了一站式安裝與使用 OpenVINO。

OpenVINOSharp 在制作時(shí)參考了 OpenVINO C++ API，因此對于之前使用過 OpenVINO 的人十分友好。下面表格向我們展示了 C# 與 C++ API 的對應(yīng)關(guān)系

在本文中，將會(huì)根據(jù)模型部署的一般步驟，演示從模型加載到推理的方法函數(shù)使用方式，并于 C++ API 做對比。

1.1安裝 OpenVINOSharp

OpenVINOSharp 支持 NuGet 程序包安裝方式，這與在 C++ 中安裝過程相比，較為簡單，并且程序包中包含了 OpenVINO 2023.0 發(fā)行版本，可以通過 NuGet 安裝后直接使用。

如果使用 Visual Studio 編譯該項(xiàng)目，則可以通過 NuGet 程序包管理功能直接安裝即可：

如果通過 dotnet 命令方式安裝，通過下面語句進(jìn)行安裝即可：

dotnet add package OpenVinoSharp.win

向右滑動(dòng)查看完整代碼

1.2導(dǎo)入程序集

OpenVINOSharp 程序集全部在命名空間 OpenVinoSharp 下，因此若要使用 OpenVINOSharp ，需要先引入命名空間：

using OpenVinoSharp

1.3初始化 OpenVINO 運(yùn)行時(shí)內(nèi)核

Core 類代表一個(gè) OpenVINO 運(yùn)行時(shí)核心實(shí)體，后續(xù)的讀取模型、加載模型等方法都需要通過 Core 類進(jìn)行創(chuàng)建，在封裝 C# API 時(shí)，為了與 C++ API 對應(yīng)，也對 Core 類進(jìn)行了封裝，并封裝了與 C++ API 中對應(yīng)的方法。

在 C# 中的初始化方式：

Core core = new Core()

在 C++ 中的初始化方式：

ov::Core core;

1.4加載并獲取模型信息

1.4.1 加載模型

OpenVINO 2022.1版本更新之后，加載，下面是所使用的 API 方法：

在 C# 中加載模型的方式：

Model model = core.read_model(model_path);

向右滑動(dòng)查看完整代碼

在 C++ 中的初始化方式：

std::shared_ptrmodel = core.read_model(model_path);

向右滑動(dòng)查看完整代碼

1.4.1 獲取模型信息

通過 Core.read_model () 方法獲得的 Model 對象和通過 Core.compile_model () 方法獲得的 CompiledModel 對象，都支持直接訪問屬性獲取輸入與輸出層信息。以 Model 對象獲取模型信息為例，下面是所使用的 API 方法：

Input/Output 主要是封裝了模型網(wǎng)絡(luò)層，可以通過下面 API 實(shí)現(xiàn)獲取模型的詳細(xì)信息：

在 C# 中通過下方代碼，可以直接獲取模型的輸入、輸入層以及模型的 friendly name：

string model_name = model.get_friendly_name();
Input input = model.input();
Output output = model.output();

向右滑動(dòng)查看完整代碼

然后將模型具體信息打印到控制臺(tái)頁面：

Console.WriteLine("Model name: {0}", model_name);
Console.WriteLine("/------- [In] -------/");
Console.WriteLine("Input name: {0}", input.get_any_name());
Console.WriteLine("Input type: {0}", input.get_element_type().to_string());
Console.WriteLine("Input shape: {0}", input.get_shape().to_string());
Console.WriteLine("/------- [Out] -------/");
Console.WriteLine("Output name: {0}", output.get_any_name());
Console.WriteLine("Output type: {0}", output.get_element_type().to_string());
Console.WriteLine("Output shape: {0}", output.get_shape().to_string());

向右滑動(dòng)查看完整代碼

獲取模型網(wǎng)絡(luò)層信息如下：

Model name: torch_jit
/------- [In] -------/
Input name: data
Input type: float
Input shape: [1,3,224,224]
/------- [Out] -------/
Output name: prob
Output type: float
Output shape: [1,1000]

向右滑動(dòng)查看完整代碼

同樣的輸出信息，我們使用 C++ API 實(shí)現(xiàn)如下：

std::cout << "Model name: " << model->get_friendly_name() << std::endl;
ov::Output input = model->input();
std::cout << "/------- [In] -------/" << std::endl;
std::cout << "Input name: " << input.get_any_name() << std::endl;
std::cout << "Input type: " << input.get_element_type().c_type_string() << std::endl;
std::cout << "Input shape: " << input.get_shape().to_string() << std::endl;
ov::Output output = model->output();
std::cout << "/------- [Out] -------/" << std::endl;
std::cout << "Output name: " << output.get_any_name() << std::endl;
std::cout << "Output type: " << output.get_element_type().c_type_string() << std::endl;
std::cout << "Output shape: " << output.get_shape().to_string() << std::endl;

向右滑動(dòng)查看完整代碼

1.5編譯模型并創(chuàng)建推理請求

在讀取本地模型后，調(diào)用模型編譯方法將模型編譯為可以在目標(biāo)設(shè)備上執(zhí)行的 compile_model 對象，并通過該對象創(chuàng)建用于推斷已編譯模型的推斷請求對象。下面是所使用的 API 方法：

在 C# 中編譯模型并創(chuàng)建推理請求的方式：

CompiledModel compiled_model = core.compile_model(model, "AUTO");
InferRequest infer_request = compiled_model.create_infer_request();

向右滑動(dòng)查看完整代碼

使用 C++ API 中編譯模型并創(chuàng)建推理請求的方式：

CompiledModel compiled_model = core.compile_model(model, "AUTO");
InferRequest infer_request = compiled_model.create_infer_request();

向右滑動(dòng)查看完整代碼

1.6張量Tensor

1.6.1 張量的獲取與設(shè)置

在創(chuàng)建推理請求后，系統(tǒng)會(huì)自動(dòng)創(chuàng)建和分配輸入和輸出的張量，張量可以通過 InferRequest 對象獲得，并且可以自定義張量并加載到模型指定節(jié)點(diǎn)；可以根據(jù)張量的輸入輸出序號(hào)、名稱以及模型節(jié)點(diǎn) Node 對象獲取和設(shè)置，主要 C# API 如下：

1.6.2 張量的信息獲取與設(shè)置

張量中主要包含的信息有張量的形狀 (Shape)、張量的數(shù)據(jù)格式 (OvType-> element.Type) 以及張量中的內(nèi)存數(shù)據(jù)?？梢酝ㄟ^以下 API 方法操作張量的參數(shù)：

以上方法是對張量的一些基礎(chǔ)操作，除了 set_data、get_data 是 OpenVINOSharp 獨(dú)有的，其他接口都與 C++API 一致。

1.7加載推理數(shù)據(jù)

1.7.1 獲取輸入張量

對于單輸入的模型可以直接通過 get_input_tensor() 方法獲得，并調(diào)用 Tensor 的相關(guān)方法獲取 Tensor 的相關(guān)信息，C# 代碼如下所示：

Tensor input_tensor = infer_request.get_input_tensor();
Console.WriteLine("/------- [Input tensor] -------/");
Console.WriteLine("Input tensor type: {0}", input_tensor.get_element_type().to_string());
Console.WriteLine("Input tensor shape: {0}", input_tensor.get_shape().to_string());
Console.WriteLine("Input tensor size: {0}", input_tensor.get_size());

向右滑動(dòng)查看完整代碼

獲取輸出結(jié)果為：

/------- [Input tensor] -------/
Input tensor type: f32
Input tensor shape: Shape : {1, 3, 224, 224}
Input tensor size: 150528

向右滑動(dòng)查看完整代碼

對于上述的同樣輸出內(nèi)容，我們也可以通過 C++ API 實(shí)現(xiàn)，C++ 代碼如下：

ov::Tensor input_tensor = infer_request.get_input_tensor();
std::cout << "/------- [Input tensor] -------/" << std::endl;
std::cout << "Input tensor type: " << input_tensor.get_element_type().c_type_string() << std::endl;
std::cout << "Input tensor shape: " << input_tensor.get_shape().to_string() << std::endl;
std::cout << "Input tensor size: " << input_tensor.get_size() << std::endl;

向右滑動(dòng)查看完整代碼

1.7.2 添加推理數(shù)據(jù)

這一步主要是將處理好的圖片數(shù)據(jù)加載到 Tensor 數(shù)據(jù)內(nèi)存中，OpenVINO 的 API 中提供了訪問內(nèi)存地址的接口，可以獲取數(shù)據(jù)內(nèi)存首地址，不過為了更好的加載推理數(shù)據(jù)，我們此處封裝了 set_data() 方法，可以實(shí)現(xiàn)將處理后的圖片數(shù)據(jù)加載到數(shù)據(jù)內(nèi)存上。在 C# 中的代碼為：

Mat input_mat = new Mat();
Shape input_shape = input_tensor.get_shape();
long channels = input_shape[1];
long height = input_shape[2];
long width = input_shape[3];
float[] input_data = new float[channels * height * width];
Marshal.Copy(input_mat.Ptr(0), input_data, 0, input_data.Length);
input_tensor.set_data(input_data);

向右滑動(dòng)查看完整代碼

下面是在 C++ 中實(shí)現(xiàn)上述功能的代碼：

cv::Mat input_mat；
float* input_data = input_tensor.data();
ov::Shape input_shape = input_tensor.get_shape();
size_t channels = input_shape[1];
size_t height = input_shape[2];
size_t width = input_shape[3];
for (size_t c = 0; c < channels; ++c) {
 ? ?for (size_t h = 0; h < height; ++h) {
 ? ? ? ?for (size_t w = 0; w < width; ++w) {
 ? ? ? ? ? ?input_data[c * height * width + h * width + w] = input_mat.at>(h, w)[c];
    }
  }
}

向右滑動(dòng)查看完整代碼

1.8模型推理

在加載完推理數(shù)據(jù)后，就可以調(diào)用模型推理的 API 方法推理當(dāng)前數(shù)據(jù)，主要使用到的 API 方法為：

調(diào)用該方法也較為簡單，只需要調(diào)用該 API 接口即可，在 C# 中的代碼為：

infer_request.infer();

向右滑動(dòng)查看完整代碼

C++ 中的代碼與 C++ 中一致。

1.9獲取推理結(jié)果

對于單輸出的模型可以直接通過 get_output_tensor() 方法獲得，并調(diào)用 Tensor 的相關(guān)方法獲取 Tensor 的相關(guān)信息，C# 代碼如下所示：

Tensor output_tensor = infer_request.get_output_tensor();
Console.WriteLine("/------- [Output tensor] -------/");
Console.WriteLine("Output tensor type: {0}", output_tensor.get_element_type().to_string());
Console.WriteLine("Output tensor shape: {0}", output_tensor.get_shape().to_string());
Console.WriteLine("Output tensor size: {0}", output_tensor.get_size());

向右滑動(dòng)查看完整代碼

獲取輸出 output_tensor 信息為：

/------- [Output tensor] -------/
Output tensor type: f32
Output tensor shape: Shape : {1, 1000}
Output tensor size: 1000

向右滑動(dòng)查看完整代碼

對于輸出 Tensor，我們只需要讀取輸出內(nèi)存上的數(shù)據(jù)即可，此處我們封裝了 get_data() 方法，可以直接獲取輸出內(nèi)存上的數(shù)據(jù)，在 C# 中的代碼為：

float[] result = output_tensor.get_data(1000);

向右滑動(dòng)查看完整代碼

同樣獲取推理結(jié)果，在 C++ 中的代碼為：

const float* output_data = output_tensor.data();
float result[1000];
for (int i = 0; i < 1000; ++i) {
result[i] = *output_data;
output_data++;
}

向右滑動(dòng)查看完整代碼

在獲取結(jié)果后，后續(xù)的處理需要根據(jù)模型的輸出類型做相應(yīng)的處理。

1.10釋放分配的內(nèi)存

由于 C# 在封裝時(shí)采用的 C API 接口實(shí)現(xiàn)的，因此在 C# 中會(huì)產(chǎn)生較多的非托管內(nèi)存，若該對象出現(xiàn)循環(huán)重復(fù)創(chuàng)建，會(huì)導(dǎo)致過多的內(nèi)存未釋放導(dǎo)致內(nèi)存泄漏，因此對于臨時(shí)創(chuàng)建的對象在使用后要即使銷毀，銷毀方式也較為簡單，只需要調(diào)用對象的 dispose() 方法即可。

output_tensor.dispose();
input_shape.dispose();
infer_request.dispose();
compiled_model.dispose();
input.dispose();
output.dispose();
model.dispose();
core.dispose();

1.11Yolov8 分類模型示例

下面代碼展示了 Yolov8 分類模型使用 OpenVINOSharp API 方法部署模型的完整代碼：

using OpenCvSharp;
using OpenCvSharp.Dnn;
using OpenVinoSharp;
using System.Data;
using System.Runtime.InteropServices;


namespace test_openvinosharp_api
{
  internal class Program
  {
    static void Main(string[] args)
    {
      string model_path = "E:\GitSpace\OpenVinoSharp\model\yolov8\yolov8s-cls.xml";
      Core core = new Core(); // 初始化推理核心
      Model model = core.read_model(model_path); // 讀取本地模型
      CompiledModel compiled_model = core.compile_model(model, "AUTO"); // 便喲模型到指定設(shè)備


      // 獲取模型的輸入輸出信息
      Console.WriteLine("Model name: {0}", model.get_friendly_name());
      Input input = compiled_model.input();
      Console.WriteLine("/------- [In] -------/");
      Console.WriteLine("Input name: {0}", input.get_any_name());
      Console.WriteLine("Input type: {0}", input.get_element_type().to_string());
      Console.WriteLine("Input shape: {0}", input.get_shape().to_string());
      Output output = compiled_model.output();
      Console.WriteLine("/------- [Out] -------/");
      Console.WriteLine("Output name: {0}", output.get_any_name());
      Console.WriteLine("Output type: {0}", output.get_element_type().to_string());
      Console.WriteLine("Output shape: {0}", output.get_shape().to_string());
      // 創(chuàng)建推理請求
      InferRequest infer_request = compiled_model.create_infer_request();
      // 獲取輸入張量
      Tensor input_tensor = infer_request.get_input_tensor();
      Console.WriteLine("/------- [Input tensor] -------/");
      Console.WriteLine("Input tensor type: {0}", input_tensor.get_element_type().to_string());
      Console.WriteLine("Input tensor shape: {0}", input_tensor.get_shape().to_string());
      Console.WriteLine("Input tensor size: {0}", input_tensor.get_size());
      // 讀取并處理輸入數(shù)據(jù)
      Mat image = Cv2.ImRead(@"E:GitSpaceOpenVinoSharpdatasetimagedemo_7.jpg");
      Mat input_mat = new Mat();
      input_mat = CvDnn.BlobFromImage(image, 1.0 / 255.0, new Size(224, 224), 0, true, false);
      // 加載推理數(shù)據(jù)
      Shape input_shape = input_tensor.get_shape();
      long channels = input_shape[1];
      long height = input_shape[2];
      long width = input_shape[3];
      float[] input_data = new float[channels * height * width];
      Marshal.Copy(input_mat.Ptr(0), input_data, 0, input_data.Length);
      input_tensor.set_data(input_data);
      // 模型推理
      infer_request.infer(); 
      // 獲取輸出張量
      Tensor output_tensor = infer_request.get_output_tensor();
      Console.WriteLine("/------- [Output tensor] -------/");
      Console.WriteLine("Output tensor type: {0}", output_tensor.get_element_type().to_string());
      Console.WriteLine("Output tensor shape: {0}", output_tensor.get_shape().to_string());
      Console.WriteLine("Output tensor size: {0}", output_tensor.get_size());
      // 獲取輸出數(shù)據(jù)
      float[] result = output_tensor.get_data(1000);
      List new_list = new List { };
      for (int i = 0; i < result.Length; i++)
 ? ? ? ? ? ?{
 ? ? ? ? ? ? ? ?new_list.Add(new float[] { (float)result[i], i });
 ? ? ? ? ? ?}
 ? ? ? ? ? ?new_list.Sort((a, b) => b[0].CompareTo(a[0]));


      KeyValuePair[] cls = new KeyValuePair[10];
      for (int i = 0; i < 10; ++i)
 ? ? ? ? ? ?{
 ? ? ? ? ? ? ? ?cls[i] = new KeyValuePair((int)new_list[i][1], new_list[i][0]);
      }
      Console.WriteLine("
 Classification Top 10 result : 
");
      Console.WriteLine("classid probability");
      Console.WriteLine("------- -----------");
      for (int i = 0; i < 10; ++i)
 ? ? ? ? ? ?{
 ? ? ? ? ? ? ? ?Console.WriteLine("{0} ? ? {1}", cls[i].Key.ToString("0"), cls[i].Value.ToString("0.000000"));
 ? ? ? ? ? ?}
 ? ? ? ? ? ?// 銷毀非托管內(nèi)存
 ? ? ? ? ? ?output_tensor.dispose();
 ? ? ? ? ? ?input_shape.dispose();
 ? ? ? ? ? ?infer_request.dispose();
 ? ? ? ? ? ?compiled_model.dispose();
 ? ? ? ? ? ?input.dispose();
 ? ? ? ? ? ?output.dispose();
 ? ? ? ? ? ?model.dispose();
 ? ? ? ? ? ?core.dispose();


 ? ? ? ?}
 ? ?}
}

向右滑動(dòng)查看完整代碼

1.12總結(jié)

在本文中我們基于模型推理流程，演示了 OpenVINOSharp API 使用方法，并和 OpenVINO C++API 進(jìn)行了對比，展示了 OpenVINOSharp API 與 C++API 在使用的區(qū)別，這也對使用過 C++ API 的開發(fā)者十分友好，上手會(huì)十分容易。

在本文中我們只展示了基礎(chǔ)的模型推理流程代碼，也對各個(gè) API 進(jìn)行了測試，針對其他比較高級(jí)的 API 方法，我們后續(xù)會(huì)繼續(xù)進(jìn)行測試其他 API 方法，向各位開發(fā)者展示其用法。

總的來說，目前 OpenVINOSharp 已經(jīng)完全支持在 Windows 環(huán)境下的安裝使用，歡迎各位開發(fā)者安裝使用，如有相關(guān)問題或優(yōu)化方法，也歡迎大家提出意見與指導(dǎo)。

審核編輯：湯梓紅