基于哪吒开发板部署YOLOv8模型

作者：

颜国进 英特尔边缘计算创新大使

2024英特尔“走近开发者”互动活动-哪吒开发套件免费试 用 AI 创新计划：哪吒开发板是专为支持入门级边缘 AI 应用程序和设备而设计，能够满足人工智能学习、开发、实训等应用场景。为了测试该开发板的推理性能，同时测试所推出的 OpenVINO C# API (https://github.com/guojin-yan/OpenVINO-CSharp-API) 项目能否应用到该开发板上，我们使用该开发板，结合 OpenVINO C# API 的异步推理功能，加速深度学习推理速度。

1哪吒开发板

1.1 产品简介

哪吒（Nezha）开发套件以信用卡大小（85 x 56mm）的开发板-哪吒（Nezha）为核心，哪吒采用Intel N97处理器（Alder Lake-N），最大睿频 3.6GHz，Intel UHD Graphics 内核 GPU，可实现高分辨率显示；板载 LPDDR5 内存、eMMC 存储及 TPM 2.0，配备 GPIO 接口，支持 Windows 和 Linux 操作系统，这些功能和无风扇散热方式相结合，为各种应用程序构建高效的解决方案，适用于如自动化、物联网网关、数字标牌和机器人等应用。

该开发板是类树莓派的 x86 主机，可支持 Linux Ubuntu 及完整版 Windows 操作系统。板载英特尔 N97 处理器，最高运行频率可达 3.6 GHz，且内置显卡（iGPU），板载 64GB eMMC 存储及 LPDDR5 4800MHz（4GB/8GB），支持 USB 3.0、HDMI 视频输出、3.5mm 音频接口、1000Mbps 以太网口。完全可把它作为一台 mini 小电脑来看待，且其可外接 Arduino，STM32 等单片机，扩展更多应用及各种传感器模块。

此外, 其主要接口与 Jetson Nano 载板兼容，GPIO 与树莓派兼容，能够最大限度地复用树莓派、Jetson Nano 等生态资源，无论是自动化、物联网网关、数字标牌或是摄像头物体识别、3D 打印，还是 CNC 实时插补控制都能稳定运行。可作为边缘计算引擎用于人工智能产品验证、开发；也可以作为域控核心用于机器人产品开发。

1.2 功能特点

Intel Processor N97

板载 LPDDR5 内存, 8GB

板载 eMMC 存储, 64GB

1Gigabit LAN x 1

HDMI 1.4b x 1

USB 3.2 Gen 2 (Type-A) x 3, 10针 USB 2.0 x 2/UART x 1

40针 GPIO x 1

12V 直流输入, 5A

TPM 2.0

下图为哪吒开发板产品介绍图片：

2环境配置

2.1NET 8.0 安装

进入微软官网下载地址：

https://dotnet.microsoft.com/zh-cn/download

显示如下页面直接下载即可：

下载完成过后，右击以管理员方式运行即可，进入一下页面后，直接点击安装，按照默认方式安装即可：

安装完成后，在 CMD 中输入 dotnet --info 指令，查看是否安装成功:

2.2VS Code 配置 C# 环境

VS Code 安装较为简单，大家直接网上下载安装包安装即可，此处不做太多的赘述。进入 VS Code，在扩展中，依次安装一下插件：

安装完成后，便可以进行 C# 项目编辑。

3创建并配置 YOLOv8 推理项目

3.1创建 YOLOv8 推理项目

此处我们使用 CMD 创建项目，首先输入以下指令：

dotnet new console -o yolov8_async_csharp -f net8.0

输入指令后，结果如下图所示：

3.2配置 YOLOv8 推理项目

该项目中需要配置 OpenCV 和 OpenVINO 依赖，其中 OpenCV 我们在 C# 使用的是 OpenCvSharp4，而 OpenVINO 就是使用的我们开发的[OpenVINO C# API] (https://github.com/guojin-yan/OpenVINO-CSharp-API) 项目，该项目均可以通过 NUGET 安装，在该项目中，输入以下指令，进行以来安装：

OpenCvSharp4 安装指令：

dotnet add package OpenCvSharp4 --version 4.9.0.20240103
dotnet add package OpenCvSharp4.runtime.win --version 4.9.0.20240103

OpenVINO C# API 安装指令：

dotnet add package OpenVINO.CSharp.API --version 2024.3.0.2
dotnet add package OpenVINO.runtime.win --version 2024.3.0.1
dotnet add package OpenVINO.CSharp.API.Extensions.OpenCvSharp --version 1.0.6.1

4编写推理代码

下面为该项目所使用的所有代码，为了提高推理速度，此处使用的为异步推理过程。

using OpenCvSharp.Dnn;
using OpenCvSharp;
using OpenVinoSharp;
using OpenVinoSharp.Extensions.result;
using OpenVinoSharp.Extensions.process;
using System.Diagnostics;
using OpenVinoSharp.preprocess;
namespace openvino_async_csharp
{
  internal class Program
 {
    static void Main(string[] args)
{
      Console.WriteLine("Hello, World!");
      yolov8_async_det();
   }
    static void yolov8_async_det()
{
      string video_path = "video.mp4";
      string model_path = "yolov8s.onnx";
      Core core = new Core();
      Model model = core.read_model(model_path);
      CompiledModel compiled_model = core.compile_model(model, "GPU.0");
      VideoCapture capture = new VideoCapture(video_path);
      if (!capture.IsOpened())
     {
        Console.WriteLine("ERROR: 视频无法打开");
        return;
     }
      List requests = new List { compiled_model.create_infer_request(), compiled_model.create_infer_request() };
      Mat frame = new Mat();
      capture.Read(frame);
      float factor = 0f;
      float[] input_data = preprocess(frame, out factor);
      requests[0].get_input_tensor().set_data(input_data);
      requests[0].start_async();
      Stopwatch sw = new Stopwatch();
      float[] total_infs = new float[3];


      while (true)
     {
        Mat next_frame = new Mat();
        if (!capture.Read(next_frame))
       {
          break;
       }
        sw.Restart();
        input_data = preprocess(frame, out factor);
        requests[1].get_input_tensor().set_data(input_data);
        sw.Stop();
        total_infs[0] = sw.ElapsedMilliseconds;
        sw.Restart();
        requests[1].start_async();
        requests[0].wait();
        sw.Stop();
        total_infs[1] = sw.ElapsedMilliseconds;
        sw.Restart();
        float[] output_data = requests[0].get_output_tensor().get_data(8400 * 84);
        DetResult result = postprocess(output_data, factor);
        sw.Stop();
        total_infs[2] = sw.ElapsedMilliseconds;


        Cv2.PutText(frame, "PreProcess: " + (1000.0 / total_infs[0]).ToString("0.00") + "FPS " + (total_infs[0]).ToString("0.00") + "ms",
          new Point(20, 40), HersheyFonts.HersheyPlain, 2, new Scalar(255, 0, 255), 2);
        Cv2.PutText(frame, "Inference: " + (1000.0 / total_infs[1]).ToString("0.00") + "FPS " + (total_infs[1]).ToString("0.00") + "ms",
          new Point(20, 70), HersheyFonts.HersheyPlain, 2, new Scalar(255, 0, 255), 2);
        Cv2.PutText(frame, "PostProcess: " + (1000.0 / total_infs[2]).ToString("0.00") + "FPS " + (total_infs[2]).ToString("0.00") + "ms",
          new Point(20, 100), HersheyFonts.HersheyPlain, 2, new Scalar(255, 0, 255), 2);
        Cv2.PutText(frame, "Total: " + (1000.0 / (total_infs[0] + total_infs[1] + total_infs[2])).ToString("0.00")
          + "FPS  " + ((total_infs[0] + total_infs[1] + total_infs[2])).ToString("0.00") + "ms",
          new Point(20, 130), HersheyFonts.HersheyPlain, 2, new Scalar(255, 0, 255), 2);
        Mat res_mat = Visualize.draw_det_result(result, frame);
        Cv2.ImShow("Result", res_mat);
        Cv2.WaitKey(10);
        swap(requests);
        frame = next_frame;
     }
   }
    public static float[] preprocess(Mat img, out float factor)
   {
      Mat mat = new Mat();
      Cv2.CvtColor(img, mat, ColorConversionCodes.BGR2RGB);
      mat = Resize.letterbox_img(mat, 640, out factor);
      mat = Normalize.run(mat, true);
      return Permute.run(mat);
   }
    public static DetResult postprocess(float[] result, float factor)
{
      // Storage results list
      List positionBoxes = new List();
      List classIds = new List();
      List confidences = new List();
      // Preprocessing output results
      for (int i = 0; i < 8400; i++)
          {
               for (int j = 4; j < 84; j++)
              {
                   float source = result[8400 * j + i];
                   int label = j - 4;
                   if (source > 0.2)
         {
            float maxSource = source;
            float cx = result[8400 * 0 + i];
            float cy = result[8400 * 1 + i];
            float ow = result[8400 * 2 + i];
            float oh = result[8400 * 3 + i];
            int x = (int)((cx - 0.5 * ow) * factor);
            int y = (int)((cy - 0.5 * oh) * factor);
            int width = (int)(ow * factor);
            int height = (int)(oh * factor);
            Rect box = new Rect(x, y, width, height);
            positionBoxes.Add(box);
            classIds.Add(label);
            confidences.Add(maxSource);
         }
       }
     }
      DetResult re = new DetResult();
      int[] indexes = new int[positionBoxes.Count];
      CvDnn.NMSBoxes(positionBoxes, confidences, 0.2f, 0.5f, out indexes);
      for (int i = 0; i < indexes.Length; i++)
          {
               int index = indexes[i];
               re.add(classIds[index], confidences[index], positionBoxes[index]);
          }
           return re;
      }


       public static void swap(List requests) 
{
      //(requests[0], requests[1]) = (requests[1], requests[0]);
      var tmp = requests[0];
      requests[0] = requests[1];
      requests[1] = tmp;
   }
 }
}

打开创建的项目，编辑 Program.cs 文件，将上述代码替换该文件中的代码即可。

5项目编译与运行

输入以下指令后进行项目编译：

dotnet build --configuration Release

通过上图可以看出，该项目编译成功，未出现任何问题，接下来输入以下指令进行项目运行:

dotnet run --configuration Release

上图为运行后的输出和推理效果，可以看出使用异步推理后，可以实现20帧以上的推理速度。

为了对比推理效果，此处还开展了同步推理实现，异步推理速度可以实现到 25FPS 以上，而同步推理只能达到 12FPS 左右，其推理速度提升了一倍，且满足视频的实时推理要求。

6总结

在该项目中，我们使用哪吒开发板套件，通过前期推出的 OpenVINO C# API 项目，实现了在开发板环境下部署 YOLOv8 模型，并进行了视频推理测试。在使用哪吒开发板套件的 IGPU 设备进行推理时，其推理速度平均可以达到 25FPS 以上，可以实现视频实时推理。