新聞中心

EEPW首頁(yè) > 智能計(jì)算 > 進(jìn)階指南 > 干貨 | 函數(shù)詳解 ?OpenVINO Inference Engine SDK

干貨 | 函數(shù)詳解 ?OpenVINO Inference Engine SDK

作者：時(shí)間：2021-01-20 來(lái)源：OpenVINO中文社區(qū)

加入技術(shù)交流群
- 掃碼加入
  和技術(shù)大咖面對(duì)面交流
  海量資料庫(kù)查詢(xún)

基本介紹

本文引用地址：http://www.104case.com/article/202101/422243.htm

OpenVINO 是針對(duì)英特爾針對(duì)自家現(xiàn)有的硬件平臺(tái)開(kāi)發(fā)的高性能計(jì)算機(jī)視覺(jué)和深度學(xué)習(xí)視覺(jué)應(yīng)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(gè)大模塊：模型轉(zhuǎn)換模塊 Model Optimizer 和推理模塊 Inference Engine。本文講解推理模塊常見(jiàn)的 C++、API 函數(shù)說(shuō)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。

工作流程

推理模塊的工作流程一般包含如下步驟：

創(chuàng)建推理對(duì)象：該推理對(duì)象可以支持不同的設(shè)備，所有的設(shè)備插件自動(dòng) 通過(guò) Core 來(lái)進(jìn)行管理。Core::SetConfig 來(lái)配置設(shè)備屬性，使用 Core::AddExtension 來(lái)注冊(cè)設(shè)備第三方庫(kù)，增加自定義層實(shí)現(xiàn)
讀取中間表示：使用 Core 對(duì)象來(lái)讀取中間表示文件 Core::ReadNetwork 創(chuàng)建 CNNNetwork 對(duì)象，該網(wǎng)絡(luò)存在于宿主機(jī)的內(nèi)存中
設(shè)置輸入輸出：CNNNetwork::getInputsInfo 和 CNNNetwork::getOutputsInfo 函數(shù)用于設(shè)置輸入輸出層的精度、數(shù)據(jù)排列等
加載神經(jīng)網(wǎng)絡(luò)：CNNNetwork::LoadNetwork 編譯并加載網(wǎng)絡(luò)到設(shè)備，得到ExecutableNetwork 對(duì)象
設(shè)置輸入數(shù)據(jù)：使用 ExecutableNetwork 對(duì)象來(lái)創(chuàng)建 InferRequest，可以直接將宿主機(jī)的內(nèi)存復(fù)制到設(shè)備內(nèi)存
執(zhí)行推理過(guò)程：可以選擇同步推理 InferRequest::Infer，也可以選擇異步推理模式 InferRequest::StartAsync
獲取輸出結(jié)果：InferRequest::GetBlob 讀取推理結(jié)果

接口詳解

下面逐一講解上述工作流程中提到的 API 函數(shù)，以下函數(shù)聲明來(lái)自于安裝好的 OpenVINO 庫(kù)，也可以從 OpenVINO 源碼中理解這些函數(shù)的實(shí)現(xiàn)，由于篇幅有限，本文重點(diǎn)講解函數(shù)接口以及使用方法。

創(chuàng)建推理對(duì)象

Core 類(lèi)是 InferenceEngine 的核心管理類(lèi)，負(fù)責(zé)設(shè)備的管理，網(wǎng)絡(luò)加載等功能。頭文件為 openvino/inference_engine/ie_core.hpp，實(shí)現(xiàn)文件在openvino/inference_engine/src/inference_engine/ie_core.cpp。Core 構(gòu)造函數(shù)聲明如下所示

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

一般創(chuàng)建對(duì)象不輸入插件配置文件，使用默認(rèn)的插件庫(kù)，默認(rèn)參數(shù)位于openvino/deployment_tools/inference_engine/lib/intel64/plugins.xml，默認(rèn)參數(shù)如下所示，name 表示支持的設(shè)備類(lèi)型名稱(chēng)，location 表示支持設(shè)備對(duì)應(yīng)的庫(kù)名稱(chēng)。

<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>

一個(gè)詳細(xì)版本的設(shè)備配置文件如下所示：

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

以上默認(rèn)的插件庫(kù)除FPGA外均可自行編譯，源碼位于openvino/blob/master/inference-engine/src/inference_engine 內(nèi)。可通過(guò) SetConfig 來(lái)配置設(shè)備的一些屬性也就是上面 xml 中的 property 字段，使用 AddExtension 來(lái)設(shè)置設(shè)備外掛第三方庫(kù)也就是上面 xml 中的 extension 字段，SetConfig 接口函數(shù)如下所示：

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(chēng)和數(shù)值
// deviceName：指定配置設(shè)備名稱(chēng)，可選參數(shù)，如果不設(shè)置可默認(rèn)為所有注冊(cè)的設(shè)備都更改次配置

SetConfig 函數(shù)用于為設(shè)備設(shè)置某些屬性值，第一個(gè)參數(shù)為設(shè)備屬性及其值，第二個(gè)參數(shù)為設(shè)備名稱(chēng)，如果設(shè)備名稱(chēng)為空，則設(shè)置所有的設(shè)備屬性。設(shè)備屬性查詢(xún)列表可以參考openvino/inference_engine/include/ie_plugin_config.hpp。

AddExtension 函數(shù)用于配置設(shè)備的外掛第三方庫(kù)，來(lái)支持 OpenVINO 中沒(méi)有實(shí)現(xiàn)的某些層。目前不支持設(shè)備名稱(chēng)為 HETERO 和 MULTI 的外掛第三方庫(kù)，可用第二個(gè)函數(shù)接口檢驗(yàn)設(shè)備名稱(chēng)。

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

創(chuàng)建推理對(duì)象步驟如下示例代碼所示：

// 使用默認(rèn)的 plugins.xml 文件創(chuàng)建 Core 對(duì)象
Core ie;

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

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

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

讀取中間表示

讀取中間表示的函數(shù)接口為 Core::ReadNetwork 函數(shù)，該函數(shù)輸入?yún)?shù)為 Model Optimizer 轉(zhuǎn)換得到中間表示，將其加載到宿主機(jī)內(nèi)存中。函數(shù)聲明如下所示：

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

第二個(gè)函數(shù)不常用，下面僅舉例說(shuō)明第一個(gè)函數(shù)用法，通過(guò) ReadNetwork 函數(shù)創(chuàng)建 CNNNetwork 對(duì)象：

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

設(shè)置輸入輸出

設(shè)置輸入輸出屬性，包括數(shù)據(jù)精度、輸入數(shù)據(jù)的排列方式（NCHW、NHWC等）、BatchSize 等操作。

排列方式可以從openvino/inference_engine/include/ie_common.h查詢(xún)目前支持的輸入輸出數(shù)據(jù) Layout 方式如下：

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

精度參數(shù)可以從openvino/inference_engine/include/ie_precision.hpp查詢(xún)，目前支持的精度參數(shù)方式如下：

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 */
};

輸入數(shù)據(jù)的屬性設(shè)置示例代碼如下所示：

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

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

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

輸出數(shù)據(jù)的屬性設(shè)置示例代碼如下所示：

OutputsDataMap outputInfo(network.getOutputsInfo());
for (auto &output : outputInfo) {
    // 設(shè)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(jīng)網(wǎng)絡(luò)

加載神經(jīng)網(wǎng)路是將網(wǎng)絡(luò)編譯并加載到設(shè)備上，使用的函數(shù)接口為 Core::LoadNetwork，其函數(shù)聲明如下所示：

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(wǎng)絡(luò)
// deviceName：執(zhí)行推理的設(shè)備名稱(chēng)
// config：設(shè)備配置屬性，可選參數(shù)，該屬性也可以通過(guò) SetConfig 來(lái)設(shè)置所有設(shè)備屬性

該函數(shù)的用法如下所示：

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

LoadNetwork 所執(zhí)行的加載動(dòng)作實(shí)現(xiàn)代碼存在于設(shè)備的 Plugin 插件中，也就是plugins.xml文件中設(shè)置的 so 動(dòng)態(tài)庫(kù)，入口函數(shù)為 CreatePluginEngine。

加載神經(jīng)網(wǎng)絡(luò)

在執(zhí)行推理之前需要設(shè)置網(wǎng)絡(luò)的輸入數(shù)據(jù)，通過(guò) GetBlob 函數(shù)獲取 Blob 指針，然后將輸入數(shù)據(jù)拷貝到設(shè)備內(nèi)存上，在openvino/inference_engine/sample中提供了一種通用的數(shù)據(jù)拷貝方式matU8ToBlob，首先在宿主機(jī)上實(shí)現(xiàn)圖像的縮放，然后將其拷貝到設(shè)備內(nèi)存，其調(diào)用過(guò)程如下：

// infer_request 在下面`執(zhí)行推理過(guò)程`時(shí)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);
}

matU8ToBlob 函數(shù)位于openvino/inference_engine/samples/cpp/common/samples/ocv_common.hpp 頭文件內(nèi)，其實(shí)現(xiàn)代碼如下所示

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(nèi)存
    // batchIndex：批處理的index

   // 首先讀取網(wǎng)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(nèi)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(jī)到設(shè)備的拷貝過(guò)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";
    }
}

Blob 類(lèi)是 OpenVINO 的基礎(chǔ)數(shù)據(jù)單元，其頭文件為openvino/inference_engine/include/ie_blob.h，網(wǎng)絡(luò)輸入輸出數(shù)據(jù)的傳遞是通過(guò) Blob 類(lèi)來(lái)實(shí)現(xiàn)的。

執(zhí)行推理過(guò)程

OpenVINO 提供了兩種模式來(lái)執(zhí)行推理過(guò)程：同步模式下推理函數(shù) Infer 一直會(huì)阻塞直到推理結(jié)束；異步模式下調(diào)用 StartAsync 函數(shù)會(huì)立刻返回，然后再調(diào)用 Wait 函數(shù)等待執(zhí)行結(jié)束，對(duì)于視頻分析或者基于視頻的目標(biāo)檢測(cè)任務(wù)，OpenVINO 官方推薦使用異步方式，可以實(shí)現(xiàn)更快幀率的處理，提高推理設(shè)備的利用率，在設(shè)備推斷同時(shí)完成數(shù)據(jù)拷貝過(guò)程，減少推理設(shè)備等待時(shí)間。

同步模式下函數(shù)的調(diào)用例子如下所示：

InferRequest infer_request = executable_network.CreateInferRequest();
infer_request.Infer();
// 獲取網(wǎng)絡(luò)輸出結(jié)果

異步模式下必須建立一定的循環(huán)機(jī)制，才可做到正確使用，首先必須創(chuàng)建2個(gè)推理請(qǐng)求，其次是必須結(jié)合使用 StartAsync 和 Wait 函數(shù)來(lái)分別發(fā)送下一幀的推理請(qǐng)求和獲取上一幀的推理結(jié)果。

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

while (true)
{
    // 設(shè)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(qǐng)求
    async_infer_request_next->StartAsync();
    // 獲取上一幀推理結(jié)果
    if (OK == async_infer_request_curr->Wait(IInferRequest::WaitMode::RESULT_READY))
    {
    // 獲取網(wǎng)絡(luò)輸出結(jié)果
    }
    // 交換兩個(gè)推理指針
    async_infer_request_curr.swap(async_infer_request_next);
}

執(zhí)行推理過(guò)程

獲取輸出結(jié)果需要調(diào)用 GetBlob 函數(shù)獲取輸出數(shù)據(jù)的地址，然后對(duì)其進(jìn)行解析，同步和異步模式下獲取輸出結(jié)果的方法類(lèi)似，下面方法一直接獲取 Blob 指針，然后可以解析 Blob 指針內(nèi)數(shù)據(jù)，方法二則直接獲取輸出結(jié)果數(shù)值。

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

寫(xiě)在最后

本文對(duì) OpenVINO 推理模塊常見(jiàn)的 API 接口函數(shù)以及用法進(jìn)行了說(shuō)明，撰寫(xiě)過(guò)程中參考了openvino/inference_engine/sample中例子程序。

▼

參考鏈接

https://github.com/openvinotoolkit/openvino
https://docs.openvinotoolkit.org/latest/classInferenceEngine_1_1Core.html
https://docs.openvinotoolkit.org/latest/_docs_IE_DG_inference_engine_intro.html
https://docs.openvinotoolkit.org/latest/_docs_IE_DG_Deep_Learning_Inference_Engine_DevGuide.html

<a target='_blank'><img src='https://ad.eepw.com.cn/www/delivery/avw.php?zoneid=114&cb=INSERT_RANDOM_NUMBER_HERE&n=a7a83b30' border='0' alt='' /></a>
<a target='_blank'><img src='https://ad.eepw.com.cn/www/delivery/avw.php?zoneid=115&cb=INSERT_RANDOM_NUMBER_HERE&n=a3d98779' border='0' alt='' /></a>
<a target='_blank'><img src='https://ad.eepw.com.cn/www/delivery/avw.php?zoneid=116&cb=INSERT_RANDOM_NUMBER_HERE&n=abca108c' border='0' alt='' /></a>
<a target='_blank'><img src='https://ad.eepw.com.cn/www/delivery/avw.php?zoneid=117&cb=INSERT_RANDOM_NUMBER_HERE&n=a1775170' border='0' alt='' /></a>
<a target='_blank'><img src='https://ad.eepw.com.cn/www/delivery/avw.php?zoneid=118&cb=INSERT_RANDOM_NUMBER_HERE&n=a449048b' border='0' alt='' /></a>

關(guān)鍵詞： OpenVINO

評(píng)論

焦點(diǎn)

更多>>

技術(shù)專(zhuān)區(qū)

關(guān)閉

新聞中心

干貨 | 函數(shù)詳解 ?OpenVINO Inference Engine SDK

創(chuàng)建推理對(duì)象

讀取中間表示

設(shè)置輸入輸出

加載神經(jīng)網(wǎng)絡(luò)

加載神經(jīng)網(wǎng)絡(luò)

執(zhí)行推理過(guò)程

執(zhí)行推理過(guò)程

寫(xiě)在最后

參考鏈接

評(píng)論

相關(guān)推薦

技術(shù)專(zhuān)區(qū)