基本介紹

OpenVINO 是針對英特爾針對自家現(xiàn)有的硬件平臺開發(fā)的高性能計算機視覺和深度學習視覺應用的工具套件，支持英特爾自家的 CPU、GPU、FPGA、VPU 等硬件。OpenVINO 包含兩個大模塊：模型轉換模塊 Model Optimizer 和推理模塊 Inference Engine。本文講解推理模塊常見的 C++、API 函數(shù)說明以及使用方法，推理模塊 API 也提供 C、Python 接口，筆者安裝的 OpenVINO 版本是 2020.3 版本。

推理模塊的工作流程一般包含如下步驟： 

1. 創(chuàng)建推理對象：該推理對象可以支持不同的設備，所有的設備插件自動 通過 Core 來進行管理。Core::SetConfig 來配置設備屬性，使用 Core::AddExtension 來注冊設備第三方庫，增加自定義層實現(xiàn)
2. 讀取中間表示：使用 Core 對象來讀取中間表示文件 Core::ReadNetwork 創(chuàng)建 CNNNetwork 對象，該網絡存在于宿主機的內存中
3. 設置輸入輸出：CNNNetwork::getInputsInfo 和 CNNNetwork::getOutputsInfo 函數(shù)用于設置輸入輸出層的精度、數(shù)據(jù)排列等
4. 加載神經網絡：CNNNetwork::LoadNetwork 編譯并加載網絡到設備， 得到ExecutableNetwork 對象
5. 設置輸入數(shù)據(jù)：使用 ExecutableNetwork 對象來創(chuàng)建 InferRequest，可以直接將宿主機的內存復制到設備內存
6. 執(zhí)行推理過程：可以選擇同步推理 InferRequest::Infer，也可以選擇異步推理模式 InferRequest::StartAsync
7. 獲取輸出結果：InferRequest::GetBlob 讀取推理結果

創(chuàng)建推理對象

explicit Core(const std::string& xmlConfigFile = std::string());
// xmlConfigFile：指定插件配置文件，如果為空的話加載默認配置

<ie>
    <plugins>
        <plugin name="GNA" location="libGNAPlugin.so">
        </plugin>
        <plugin name="HETERO" location="libHeteroPlugin.so">
        </plugin>
        <plugin name="CPU" location="libMKLDNNPlugin.so">
        </plugin>
        <plugin name="MULTI" location="libMultiDevicePlugin.so">
        </plugin>
        <plugin name="GPU" location="libclDNNPlugin.so">
        </plugin>
        <plugin name="MYRIAD" location="libmyriadPlugin.so">
        </plugin>
        <plugin name="HDDL" location="libHDDLPlugin.so">
        </plugin>
        <plugin name="FPGA" location="libdliaPlugin.so">
        </plugin>
    </plugins>
</ie>

<ie>
    <plugins>
        <plugin name="" location="">
            <extensions>
                <extension location="">
            </extensions>
            <properties>
                <property key="" value="">
            </properties>
        </plugin>
    </plugins>
</ie>

void SetConfig(const std::map<std::string, std::string>& config, const std::string& deviceName = std::string());
// config：指定配置的參數(shù)名稱和數(shù)值
// deviceName：指定配置設備名稱，可選參數(shù)，如果不設置可默認為所有注冊的設備都更改次配置

void AddExtension(const IExtensionPtr& extension);
void AddExtension(IExtensionPtr extension, const std::string& deviceName);
// extention：已加載的擴展的指針
// deviceName：設備名稱

// 使用默認的 plugins.xml 文件創(chuàng)建 Core 對象
Core ie;

// 設置設備屬性
ie.SetConfig({{PluginConfigParams::KEY_CONFIG_FILE, config_file}}, device_name);

// 設置設備的外掛第三方庫用于支持用戶自定義層
IExtensionPtr extension_ptr = make_so_pointer<IExtension>(extension_name);
ie.AddExtension(extension_ptr, "CPU");

// 設置設備的外掛函數(shù)用于支持用戶自定義層
IExtensionPtr inPlaceExtension = std::make_shared<InPlaceExtension>();
ie.AddExtension(inPlaceExtension);

讀取中間表示

CNNNetwork ReadNetwork(const std::string& modelPath, const std::string& binPath = "") const;
// modelPath：中間表示的配置文件
// binPath：中間表示的權重文件，如果為空，則嘗試加載 modelPath 同名的權重文件，如果找不到同名文件則不加載權重
CNNNetwork ReadNetwork(const std::string& model, const Blob::CPtr& weights) const;
// model：中間表示的配置文件，權重文件必須與配置文件同名
// weights：共享指針，指向常量 Blob

/** Read network model **/
CNNNetwork network = ie.ReadNetwork(modelPath);

設置輸入輸出

NCHW = 1,  //!< NCHW layout for input / output blobs
NHWC = 2,  //!< NHWC layout for input / output blobs
NCDHW = 3,  //!< NCDHW layout for input / output blobs
NDHWC = 4,  //!< NDHWC layout for input / output blobs

enum ePrecision : uint8_t {
    UNSPECIFIED = 255, /**< Unspecified value. Used by default */
    MIXED = 0,         /**< Mixed value. Can be received from network. No applicable for tensors */
    FP32 = 10,         /**< 32bit floating point value */
    FP16 = 11,         /**< 16bit floating point value */
    Q78 = 20,          /**< 16bit specific signed fixed point precision */
    I16 = 30,          /**< 16bit signed integer value */
    U8 = 40,           /**< 8bit unsigned integer value */
    I8 = 50,           /**< 8bit signed integer value */
    U16 = 60,          /**< 16bit unsigned integer value */
    I32 = 70,          /**< 32bit signed integer value */
    I64 = 72,          /**< 64bit signed integer value */
    U64 = 73,          /**< 64bit unsigned integer value */
    BIN = 71,          /**< 1bit integer value */
    BOOL = 41,         /**< 8bit bool type */
    CUSTOM = 80        /**< custom precision has it's own name and size of elements */
};

InputsDataMap inputInfo(network.getInputsInfo());
        
InputInfo::Ptr& input = inputInfo.begin()->second;
auto inputName = inputInfo.begin()->first;

// 設置精度和數(shù)據(jù)排列方式
input->setPrecision(Precision::U8);
input->getInputData()->setLayout(Layout::NCHW);

// 設置 BatchSize 大小
ICNNNetwork::InputShapes inputShapes = network.getInputShapes();
SizeVector& inSizeVector = inputShapes.begin()->second;
inSizeVector[0] = 1;  // set batch to 1
network.reshape(inputShapes);

OutputsDataMap outputInfo(network.getOutputsInfo());
for (auto &output : outputInfo) {
    // 設置精度和數(shù)據(jù)的排列方式
    output.second->setPrecision(Precision::FP32);
    output.second->setLayout(Layout::NCHW);
}

加載神經網絡

ExecutableNetwork LoadNetwork(
const CNNNetwork network, const std::string& deviceName,
const std::map<std::string, std::string>& config = std::map<std::string, std::string>());
// network：在步驟二讀取中間表示中創(chuàng)建的網絡
// deviceName：執(zhí)行推理的設備名稱
// config：設備配置屬性，可選參數(shù)，該屬性也可以通過 SetConfig 來設置所有設備屬性

ExecutableNetwork executable_network = ie.LoadNetwork(network, device_name, configure);

加載神經網絡

// infer_request 在下面`執(zhí)行推理過程`時講述
Blob::Ptr input = infer_request.GetBlob(input_name);
for (size_t b = 0; b < batch_size; b++) {
    matU8ToBlob<uint8_t>(image, input, b);
}

template <typename T>
void matU8ToBlob(const cv::Mat& orig_image, InferenceEngine::Blob::Ptr& blob, int batchIndex = 0) {
    // orig_image：原始圖像
    // blob：輸入數(shù)據(jù)內存
    // batchIndex：批處理的index

   // 首先讀取網路尺寸
    InferenceEngine::SizeVector blobSize = blob->getTensorDesc().getDims();
    const size_t width = blobSize[3];
    const size_t height = blobSize[2];
    const size_t channels = blobSize[1];
    if (static_cast<size_t>(orig_image.channels()) != channels) {
        THROW_IE_EXCEPTION << "The number of channels for net input and image must match";
    }
    T* blob_data = blob->buffer().as<T*>();

    // CPU下執(zhí)行原圖的縮放
    cv::Mat resized_image(orig_image);
    if (static_cast<int>(width) != orig_image.size().width ||
            static_cast<int>(height) != orig_image.size().height) {
        cv::resize(orig_image, resized_image, cv::Size(width, height));
    }

    // 獲得內存中數(shù)據(jù)偏移位移
    int batchOffset = batchIndex * width * height * channels;

    // 完成數(shù)據(jù)從宿主機到設備的拷貝過程，僅支持單通道或者三通道輸入數(shù)據(jù)推理
    if (channels == 1) {
        for (size_t  h = 0; h < height; h++) {
            for (size_t w = 0; w < width; w++) {
                blob_data[batchOffset + h * width + w] = resized_image.at<uchar>(h, w);
            }
        }
    } else if (channels == 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++) {
                    blob_data[batchOffset + c * width * height + h * width + w] =
                            resized_image.at<cv::Vec3b>(h, w)[c];
                }
            }
        }
    } else {
        THROW_IE_EXCEPTION << "Unsupported number of channels";
    }
}

執(zhí)行推理過程

InferRequest infer_request = executable_network.CreateInferRequest();
infer_request.Infer();
// 獲取網絡輸出結果

InferRequest::Ptr async_infer_request_curr = network.CreateInferRequestPtr();
InferRequest::Ptr async_infer_request_next = network.CreateInferRequestPtr();

while (true)
{
    // 設置下一幀推理數(shù)據(jù)
    frameToBlob(curr_frame, async_infer_request_next, imageInputName);
    // 發(fā)送下一幀推理請求
    async_infer_request_next->StartAsync();
    // 獲取上一幀推理結果
    if (OK == async_infer_request_curr->Wait(IInferRequest::WaitMode::RESULT_READY))
    {
    // 獲取網絡輸出結果
    }
    // 交換兩個推理指針
    async_infer_request_curr.swap(async_infer_request_next);
}

執(zhí)行推理過程

// 獲取輸出結果方法一
Blob::Ptr output_blob = infer_request.GetBlob(output_name);
MemoryBlob::CPtr moutput = as<MemoryBlob>(infer_request.GetBlob(output_name));

// 獲取輸出結果方法二
const float *detections = async_infer_request_curr->GetBlob(output_name)->buffer().as<PrecisionTrait<Precision::FP32>::value_type*>();

寫在最后

參考鏈接

1. https://github.com/openvinotoolkit/openvino
2. https://docs.openvinotoolkit.org/latest/classInferenceEngine_1_1Core.html
3. https://docs.openvinotoolkit.org/latest/_docs_IE_DG_inference_engine_intro.html
4. https://docs.openvinotoolkit.org/latest/_docs_IE_DG_Deep_Learning_Inference_Engine_DevGuide.html