AI模型部署 | onnxruntime部署YOLOv8分割模型详细教程

DeepDriving 2024-07-01 10:01:01 阅读 69

本文首发于公众号【DeepDriving】,欢迎关注。

0. 引言

我之前写的文章《基于YOLOv8分割模型实现垃圾识别》介绍了如何使用YOLOv8分割模型来实现垃圾识别,主要是介绍如何用自定义的数据集来训练YOLOv8分割模型。那么训练好的模型该如何部署呢?YOLOv8分割模型相比检测模型多了一个实例分割的分支,部署的时候还需要做一些后处理操作才能得到分割结果。

本文将详细介绍如何使用onnxruntime框架来部署YOLOv8分割模型,为了方便理解,代码采用Python实现。

1. 准备工作

安装onnxruntime

onnxruntime分为GPU版本和CPU版本,均可以通过pip直接安装:

pip install onnxruntime-gpu #安装GPU版本

pip install onnxruntime #安装CPU版本

注意: GPU版本和CPU版本建议只选其中一个安装,否则默认会使用CPU版本

下载YOLOv8分割模型权重

Ultralytics官方提供了用COCO数据集训练的模型权重,我们可以直接从官方网站https://docs.ultralytics.com/tasks/segment/下载使用,本文使用的模型为yolov8m-seg.pt

转换onnx模型

调用下面的命令可以把YOLOv8m-seg.pt模型转换为onnx格式的模型:

yolo task=segment mode=export model=yolov8m-seg.pt format=onnx

转换成功后得到的模型为yolov8m-seg.onnx

2. 模型部署

2.1 加载onnx模型

首先导入onnxruntime包,然后调用其API加载模型即可:

import onnxruntime as ort

session = ort.InferenceSession("yolov8m-seg.onnx", providers=["CUDAExecutionProvider"])

因为我使用的是GPU版本的onnxruntime,所以providers参数设置的是"CUDAExecutionProvider";如果是CPU版本,则需设置为"CPUExecutionProvider"

模型加载成功后,我们可以查看一下模型的输入、输出层的属性:

for input in session.get_inputs():

print("input name: ", input.name)

print("input shape: ", input.shape)

print("input type: ", input.type)

for output in session.get_outputs():

print("output name: ", output.name)

print("output shape: ", output.shape)

print("output type: ", output.type)

结果如下:

input name: images

input shape: [1, 3, 640, 640]

input type: tensor(float)

output name: output0

output shape: [1, 116, 8400]

output type: tensor(float)

output name: output1

output shape: [1, 32, 160, 160]

output type: tensor(float)

从上面的打印信息可以知道,模型有一个尺寸为[1, 3, 640, 640]的输入层和两个尺寸分别为[1, 116, 8400][1, 32, 160, 160]的输出层。

2.2 数据预处理

数据预处理采用OpenCVNumpy实现,首先导入这两个包

import cv2

import numpy as np

OpenCV读取图片后,把数据按照YOLOv8的要求做预处理

image = cv2.imread("soccer.jpg")

image_height, image_width, _ = image.shape

input_tensor = prepare_input(image, model_width, model_height)

print("input_tensor shape: ", input_tensor.shape)

其中预处理函数prepare_input的实现如下:

def prepare_input(bgr_image, width, height):

image = cv2.cvtColor(bgr_image, cv2.COLOR_BGR2RGB)

image = cv2.resize(image, (width, height)).astype(np.float32)

image = image / 255.0

image = np.transpose(image, (2, 0, 1))

input_tensor = np.expand_dims(image, axis=0)

return input_tensor

处理流程如下:

1. 把OpenCV读取的BGR格式的图片转换为RGB格式;

2. 把图片resize到模型输入尺寸640x640;

3. 对像素值除以255做归一化操作;

4. 把图像数据的通道顺序由HWC调整为CHW;

5. 扩展数据维度,将数据的维度调整为NCHW。

经过预处理后,输入数据input_tensor的维度变为[1, 3, 640, 640],与模型的输入尺寸一致。

2.3 模型推理

输入数据准备好以后,就可以送入模型进行推理:

outputs = session.run(None, {session.get_inputs()[0].name: input_tensor})

前面我们打印了模型的输入输出属性,可以知道模型有两个输出分支,其中一个output0目标检测分支,另一个output1则是实例分割分支,这里打印一下它们的尺寸看一下

#squeeze函数是用于删除shape中为1的维度,对output0做transpose操作是为了方便后续操作

output0 = np.squeeze(outputs[0]).transpose()

output1 = np.squeeze(outputs[1])

print("output0 shape:", output0.shape)

print("output1 shape:", output1.shape)

结果如下:

output0 shape: (8400, 116)

output1 shape: (32, 160, 160)

处理后目标检测分支的维度为[8400, 116],表示模型总共可以检测出8400个目标(大部分是无效的目标),每个目标包含116个参数。刚接触YOLOv8分割模型的时候可能会对116这个数字感到困惑,这里有必要解释一下:每个目标的参数包含4个坐标属性(x,y,w,h)、80个类别置信度和32个实例分割参数,所以总共是116个参数。实例分割分支的维度为[32, 160, 160],其中第一个维度32与目标检测分支中的32个实例分割参数对应,后面两个维度则由模型输入的宽和高除以4得到,本文所用的模型输入宽和高都是640,所以这两个维度都是160

2.4 后处理

首先把目标检测分支输出的数据分为两个部分,把实例分割相关的参数从中剥离。

boxes = output0[:, 0:84]

masks = output0[:, 84:]

print("boxes shape:", boxes.shape)

print("masks shape:", masks.shape)

boxes shape: (8400, 84)

masks shape: (8400, 32)

然后实例分割这部分数据masks要与模型的另外一个分支输出的数据output1做矩阵乘法操作,在这之前要把output1的维度变换为二维。

output1 = output1.reshape(output1.shape[0], -1)

masks = masks @ output1

print("masks shape:", masks.shape)

masks shape: (8400, 25600)

做完矩阵乘法后,就得到了8400个目标对应的实例分割掩码数据masks,可以把它与目标检测的结果boxes拼接到一起。

detections = np.hstack([boxes, masks])

print("detections shape:", detections.shape)

detections shape: (8400, 25684)

到这里读者应该就能理解清楚了,YOLOv8模型总共可以检测出8400个目标,每个目标的参数包含4个坐标属性(x,y,w,h)、80个类别置信度和一个160x160=25600大小的实例分割掩码。

由于YOLOv8模型检测出的8400个目标中有大量的无效目标,所以先要通过置信度过滤去除置信度低于阈值的目标,对于满足置信度满足要求的目标还需要通过非极大值抑制(NMS)操作去除重复的目标。

objects = []

for row in detections:

prob = row[4:84].max()

if prob < 0.5:

continue

class_id = row[4:84].argmax()

label = COCO_CLASSES[class_id]

xc, yc, w, h = row[:4]

// 把x1, y1, x2, y2的坐标恢复到原始图像坐标

x1 = (xc - w / 2) / model_width * image_width

y1 = (yc - h / 2) / model_height * image_height

x2 = (xc + w / 2) / model_width * image_width

y2 = (yc + h / 2) / model_height * image_height

// 获取实例分割mask

mask = get_mask(row[84:25684], (x1, y1, x2, y2), image_width, image_height)

// 从mask中提取轮廓

polygon = get_polygon(mask, x1, y1)

objects.append([x1, y1, x2, y2, label, prob, polygon, mask])

// NMS

objects.sort(key=lambda x: x[5], reverse=True)

results = []

while len(objects) > 0:

results.append(objects[0])

objects = [object for object in objects if iou(object, objects[0]) < 0.5]

这里重点讲一下获取实例分割掩码的过程。

前面说了每个目标对应的实例分割掩码数据大小为160x160,但是这个尺寸是对应整幅图的掩码。对于单个目标来说,还要从这个160x160的掩码中去截取属于自己的掩码,截取的范围由目标的box决定。上面的代码得到的box是相对于原始图像大小,截取掩码的时候需要把box的坐标转换到相对于160x160的大小,截取完后再把这个掩码的尺寸调整回相对于原始图像大小。截取到box大小的数据后,还需要对数据做sigmoid操作把数值变换到01的范围内,也就是求这个box范围内的每个像素属于这个目标的置信度。最后通过阈值操作,置信度大于0.5的像素被当做目标,否则被认为是背景。

具体实现的代码如下:

def get_mask(row, box, img_width, img_height):

mask = row.reshape(160, 160)

x1, y1, x2, y2 = box

// box坐标是相对于原始图像大小,需转换到相对于160*160的大小

mask_x1 = round(x1 / img_width * 160)

mask_y1 = round(y1 / img_height * 160)

mask_x2 = round(x2 / img_width * 160)

mask_y2 = round(y2 / img_height * 160)

mask = mask[mask_y1:mask_y2, mask_x1:mask_x2]

mask = sigmoid(mask)

// 把mask的尺寸调整到相对于原始图像大小

mask = cv2.resize(mask, (round(x2 - x1), round(y2 - y1)))

mask = (mask > 0.5).astype("uint8") * 255

return mask

这里需要注意的是,160x160是相对于模型输入尺寸为640x640来的,如果模型输入是其他尺寸,那么上面的代码需要做相应的调整。

如果需要检测的是下面这个图片:

通过上面的代码可以得到最左边那个人的分割掩码为

但是我们需要的并不是这样一张图片,而是需要用于表示这个目标的轮廓,这可以通过OpenCVfindContours函数来实现。findContours函数返回的是一个用于表示该目标的点集,然后我们可以在原始图像中用fillPoly函数画出该目标的分割结果。

全部目标的检测与分割结果如下:

3. 一点其他的想法

从前面的部署过程可以知道,做后处理的时候需要对实例分割的数据做矩阵乘法、sigmoid激活、维度变换等操作,实际上这些操作也可以在导出模型的时候集成到onnx模型中去,这样就可以简化后处理操作。

首先需要修改ultralytics代码仓库中ultralytics/nn/modules/head.py文件的代码,把SegmentForward函数最后的代码修改为:

if self.export:

output1 = p.reshape(p.shape[0], p.shape[1], -1)

boxes = x.permute(0, 2, 1)

masks = torch.sigmoid(mc.permute(0, 2, 1) @ output1)

out = torch.cat([boxes, masks], dim=2)

return out

else:

return (torch.cat([x[0], mc], 1), (x[1], mc, p))

然后修改ultralytics/engine/exporter.py文件中torch.onnx.export的参数,把模型的输出数量改为1个。

在这里插入图片描述

代码修改完成后,执行命令pip install -e '.[dev]'使之生效,然后再重新用yolo命令导出模型。用netron工具可以看到模型只有一个shape[1,8400,25684]的输出。

这样在后处理的时候就可以直接去解析boxmask了,并且mask的数据不需要进行sigmoid激活。

4. 参考资料

How to implement instance segmentation using YOLOv8 neural networkhttps://github.com/AndreyGermanov/yolov8_segmentation_python



声明

本文内容仅代表作者观点,或转载于其他网站,本站不以此文作为商业用途
如有涉及侵权,请联系本站进行删除
转载本站原创文章,请注明来源及作者。