新闻中心 新闻
无人机上仅使用CPU实时运行Yolov5?(OpenVINO帮你实现)(上篇)
新闻 2021-05-27 10:46:01

Intel CPU在运行视觉导航等算法时实时性要优于Nvidia等平台,如Jetson Tx2,NX。而Nvidia平台在运行深度学习算法方面具有很大优势,两种平台各有利弊。但是,Intel OpenVINO的推出允许NUC平台实时运行深度学习模型,如目前最流行的目标检测程序Yolov5,这样就太好了,仅使用Intel无人机平台就可以完成各种任务。本教程将教你用Prometheus在Intel无人机平台部署Yolov5目标检测。

先来个速度测试,仅使用Intel CPU,没有模型压缩与剪枝等算法,也不依赖其他任何加速硬件。

Intel CPUYolov5模型输入分辨率检测帧率
Intel i7-10710U (10代NUC)yolov5s25644.5Hz
Intel i7-10710U (10代NUC)yolov5s32027.7Hz
Intel i7-10710U (10代NUC)yolov5s38419.8Hz
Intel i7-10710U (10代NUC)yolov5s51210.1Hz
Intel i7-6700K (台式机)yolov5s25643.2Hz
Intel i7-6700K (台式机)yolov5s32027.1Hz
Intel i7-6700K (台式机)yolov5s38419.2Hz
Intel i7-6700K (台式机)yolov5s51210.0Hz

一、安装OpenVINO

官网教程:https://docs.openvinotoolkit.org/latest/openvino_docs_install_guides_installing_openvino_linux.html

1. 下载安装包

地址:

https://software.intel.com/content/www/us/en/develop/tools/openvino-toolkit/download.html?operatingsystem=linux&distributions=webdownload&version=2021%203%20(latest)&options=offline

image-20210402001238180

2. 如果之前安装过openvino,重命名或删除以下文件:

~/inference_engine_samples_build
~/openvino_models

3. 打开终端,解压安装包并进入解压路径

cd ~/Downloads/
tar -xvzf l_openvino_toolkit_p_<version>.tgz
cd l_openvino_toolkit_p_<version>

4. 安装OpenVINO

sudo ./install_GUI.sh

5. 安装软件依赖

cd /opt/intel/openvino_2021/install_dependencies
sudo -E ./install_openvino_dependencies.sh

6. 配置模型优化器

cd /opt/intel/openvino_2021/deployment_tools/model_optimizer/install_prerequisites
sudo ./install_prerequisites.sh

如果下载很慢,可以修改~/.pip/pip.conf,转到国内源

[global]
index-url = http://mirrors.aliyun.com/pypi/simple/
[install]
trusted-host = mirrors.aliyun.com

二、配置Yolov5,运行演示程序

1. 下载Prometheus子模块Yolov5,并配置

sudo apt install python3-pip
cd <path-to-Prometheus>/
./Scripts/install_detection_yolov5openvino.sh

2. 下载模型权重或训练自己的模型

以官方权重为例

cd <path-to-Prometheus>/Modules/object_detection_yolov5openvino/weights
wget https://github.com/ultralytics/yolov5/releases/download/v3.0/yolov5s.pt

3. 将.pt权重文件转换为.onnx文件

运行命令:

cd <path-to-Prometheus>/Modules/object_detection_yolov5openvino
python3 models/export.py --weights weights/yolov5s.pt --img 384 --batch 1

4. 将.onnx文件转换为IR文件

cd <path-to-Prometheus>/Modules/object_detection_yolov5openvino
python3 /opt/intel/openvino_2021/deployment_tools/model_optimizer/mo.py  --input_model weights/yolov5s.onnx --model_name weights/yolov5s -s 255 --reverse_input_channels --output Conv_487,Conv_471,Conv_455

5. 运行演示程序

cd <path-to-Prometheus>/
./Scripts/start_yolov5openvino_server.sh
# Ctrl+t 打开一个新的命令行页面,并运行:
roslaunch prometheus_detection yolov5_intel_openvino.launch

运行结果如下:

image-20210403230951069

6. 输入ROS-Launch参数

<path-to-Prometheus>/Modules/object_detection/launch/yolov5_intel_openvino.launch为例:

<launch>
    <node pkg="prometheus_detection" type="yolov5_openvino_client.py" name="yolov5_openvino_client" output="screen">
        <param name="output_topic" value="/prometheus/object_detection/yolov5_openvino_det"/>
        <param name="camera_parameters" type="string" value="$(find prometheus_detection)/shell/calib_webcam_640x480.yaml" />
        <param name="object_names_txt" value="coco"/>
    </node>
</launch>

其中:

  • output_topic:检测结果输出话题(消息类型:MultiDetectionInfo.msg

  • camera_parameters:相机参数文件(为了估计视线角误差、目标位置)

  • object_names_txt:目标类别描述txt问题(具体见:<path-to-Prometheus>/Modules/object_detection/py_nodes/yolov5_openvion_client/class_desc/coco.txt

7. 输出ROS话题解析

默认输出话题,消息类型:

##`MultiDetectionInfo.msg`
Header header
## 检测到的目标数量
int32 num_objs
## 每个目标的检测结果
DetectionInfo[] detection_infos
##`DetectionInfo.msg`
## 是否检测到目标
bool detected
## 目标类别名称
string object_name
## 类别ID
int32 category
## 0表示相机坐标系, 1表示机体坐标系, 2表示惯性坐标系
int32 frame
## 目标位置[相机系下:右方x为正,下方y为正,前方z为正]
float32[3] position
## 目标姿态-欧拉角-(z,y,x)
float32[3] attitude
## 目标姿态-四元数-(qx,qy,qz,qw)
float32[4] attitude_q
## 视线角度[相机系下:右方x角度为正,下方y角度为正]
float32[2] sight_angle
## 偏航角误差
float32 yaw_error

注意:默认情况下每个目标仅有detected, object_name, category, frame, sight_angle的输出。

如果想输出position,需要在类别描述文件(如<path-to-Prometheus>/Modules/object_detection/py_nodes/yolov5_openvion_client/class_desc/coco.txt)中填写目标的高度与宽度(单位:m)。

image-20210403231019265

如上图,以人(person)为例,设置宽度0.5m,高度1.8m

然后,需要修改源代码,这里以高度估计人距离摄像机的距离,并以此估计position

源代码位置:<path-to-Prometheus>/Modules/object_detection/py_nodes/yolov5_openvion_client/yolov5_openvion_client.py,(112-114行)

image-20210403231510904

cls==0用来判断是否为类别—person,cls_hs[cls]用来读取目标高度(读到的数就是我们写在coco.txt里的1.8m),camera_matrix[1][1]为垂直方向像素焦距(由相机标定参数文件决定),h物体的像素高度(为实时检测结果,并被归一化到0-1)

附:目标位置测量原理

image-20210404002310773


到此,各位看官们,上篇Yolov5-OpenVINO(X86)上面的环境部署到此结束,有感兴趣的看官们可以持续关注“阿木实验室”微信公众号,周周提供特别干货分享。也欢迎关注开源自主无人机项目“Prometheus”,在此附上链接 “https://github.com/amov-lab/Prometheus.git” 。

在下篇中,在不同处理器下的实验数据且如何训练自己的yolov5模型并部署会呈现给各位。

prometheus开源项目,链接地址:https://github.com/amov-lab/Prometheus.git

- End -

技术发展的日新月异,阿木实验室将紧跟技术的脚步,不断把机器人行业最新的技术和硬件推荐给大家。看到经过我们培训的学员在技术上突飞猛进,是我们培训最大的价值。如果你在机器人行业,就请关注我们的公众号,我们将持续发布机器人行业最有价值的信息和技术。

您的浏览器版本过低,建议下载更换以下浏览器:

官方店铺

 阿木实验室

联系电话

028-87872048

扫一扫,快速加入

硬件评测

群号652692981

课程学习

群号652692981