Yolov5 OpenVINO目标检测（Intel NUC平台）

无人机上仅使用CPU实时运行Yolov5？(OpenVINO帮你实现)

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 CPU	Yolov5模型	输入分辨率	检测帧率
Intel i7-10710U (10代NUC)	yolov5s	256	44.5Hz
Intel i7-10710U (10代NUC)	yolov5s	320	27.7Hz
Intel i7-10710U (10代NUC)	yolov5s	384	19.8Hz
Intel i7-10710U (10代NUC)	yolov5s	512	10.1Hz
Intel i7-6700K (台式机)	yolov5s	256	43.2Hz
Intel i7-6700K (台式机)	yolov5s	320	27.1Hz
Intel i7-6700K (台式机)	yolov5s	384	19.2Hz
Intel i7-6700K (台式机)	yolov5s	512	10.0Hz

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

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：

如果想把检测结果图像推流到地面站，可以运行如下代码（不需要推流结果，请自动忽略该步骤）

cd <path-to-Prometheus>/
./Scripts/start_yolov5openvino_server_with_streaming.sh
# Ctrl+t 打开一个新的命令行页面，并运行：
roslaunch prometheus_detection yolov5_intel_openvino.launch

推流效果测试视频-bilibili

6. 输入ROS-Launch参数

以<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）。

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）

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

三、训练自己的yolov5模型并部署

1. 数据标注

下载数据集标注工具，下载地址： Spire Web或者百度网盘 (密码: l9e7) ，数据集管理软件SpireImageTools：gitee地址或者github地址。

• 解压，打开标注软件 SpireImageTools_x.x.x.exe

首先点击Tools->Setting...，填写一个 save path (所有的标注文件都会存储在这个文件夹中)

• 将拍摄的视频转为图像 (如果采集的是图像，则跳过这一步骤)，点击 Input->Video， 选择要标注的视频。

然后，点击Tools->Video to Image

点击OK 后，等待完成，结果会存储在：

• 打开需要标注的图像，点击菜单Input->Image Dir， 找到需要标注的图像所在文件夹 ，按Ctrl+A，全选，打开所有图像：

• 点击菜单：Tools->Annotate Image->Box Label，开始标注图像

在label中填写待标注目标名称，然后将对话框拖到一边。

• 开始标注，在主窗口中开始标注，鼠标滚轮放大缩小图像，按住左键移动可视图像区域不断点击左键将目标框包围，使用Yolo训练时，点击2个点即可：

标注时，如果点错，按鼠标右键可以取消。标注完成后，如果不满意，可以点击绿色边框(边框会变红，如下图所示)，按Delete删除

• 继续标注行人类别：

• 全部标注完成后，将标注输出为Yolo格式，准备训练——在标注完成之后，按下Ctrl+o

点击OK即可，需要等待转换。

• 注意，如下两个文件夹是我们训练Yolov5需要的

2. 开始训练Yolov5

在准备好scaled_images和Yolo_labels两个文件夹之后，我们就可以训练Yolov5了。首先，创建一个car_person.yaml，将其放到<path-to-Prometheus>/Modules/object_detection_yolov5openvino/data/文件夹下。car_person.yaml的具体内容如下：

# train and val data as 1) directory: path/images/, 2) file: path/images.txt, or 3) list: [path1/images/, path2/images/]
train: data/car_person/images/train/
val: data/car_person/images/train/

# number of classes
nc: 2

# class names
names: ['car', 'person']

注意1：car_person是自定义名称，我们这次标注的数据集仅有这2个类别。 注意2：names: ['car', 'person']这里的类别顺序需要跟Yolo_categories.names里的类别顺序一致。

• 将训练图像与标注拷贝到对应位置

首先，在<path-to-Prometheus>/Modules/object_detection_yolov5openvino/data/下新建一个文件夹car_person。然后，在car_person下再新建2个文件夹images和labels。最后，将准备好的scaled_images拷贝到images下，并重命名为train；将准备好的Yolo_labels拷贝到labels下，并重命名为train。

结合car_person.yaml里的内容，我想你应该明白上面目录结构的含义啦。

• 开始训练

cd <path-to-Prometheus>/Modules/object_detection_yolov5openvino/
python3 train.py --img 640 --batch 16 --epochs 5 --data data/car_person.yaml --weights weights/yolov5s.pt

显示以上内容说明训练成功！可以增加训练期数（--epochs 5）提升效果。

• 部署训练好的模型

刚刚训练好的模型会保存在<path-to-Prometheus>/Modules/object_detection_yolov5openvino/runs/exp?/weights/best.pt，?需根据自己的情况而定（最新训练的模型?为最大的数字），将best.pt重命名为yolov5s.pt，拷贝到<path-to-Prometheus>/Modules/object_detection_yolov5openvino/weights/下，然后执行第二部分3-5的操作进行OpenVINO部署。