以下文章来源于英特尔物联网 ，作者杨雪锋
01
简介
《在 AI 爱克斯开发板上用 OpenVINO™ 加速 YOLOv8 目标检测模型》介绍了在 AI 爱克斯开发板上使用 OpenVINO™ 开发套件部署并测评 YOLOv8 的目标检测模型，本文将介绍在 AI 爱克斯开发板上使用 OpenVINO™ 加速 YOLOv8-seg 实例分割模型。
请先下载本文的范例代码仓，并搭建好 YOLOv8 的 OpenVINO™ 推理程序开发环境。
git clone
https://gitee.com/ppov-nuc/yolov8_openvino.git
02
导出 YOLOv8-seg 实例分割
OpenVINO™ IR 模型
YOLOv8-seg 的实例分割模型有5种，在 COCO 数据集完成训练，如下表所示。
首先使用命令：
yolo export model=yolov8n-seg.pt format=onnx
完成 yolov8n-seg.onnx 模型导出，如下图所示：
然后使用命令：
mo -m yolov8n-seg.onnx --compress_to_fp16
优化并导出 FP16 精度的 OpenVINO™ IR 格式模型，如下图所示：
03
用 benchmark_app 测试
YOLOv8-seg 实例分割模型的推理计算性能
benchmark_app 是 OpenVINO™ 工具套件自带的 AI 模型推理计算性能测试工具，可以指定在不同的计算设备上，在同步或异步模式下，测试出不带前后处理的纯 AI 模型推理计算性能。
使用命令：
benchmark_app -m yolov8n-seg.xml -d GPU
获得 yolov8n-seg.xml 模型在 AI 爱克斯开发板的集成显卡上的异步推理计算性能，如下图所示：
04
使用 OpenVINO™ Python API 编写
YOLOv8-seg 实例分割模型推理程序
用 Netron 打开 yolov8n-seg.onnx 可以看到模型的输入和输出，跟 YOLOv5-seg 模型的输入输出定义很类似：
输入节点名字：“images”；
数据：float32[1,3,640,640]
输出节点 1 的名字：“output0”；
数据：float32[1,116,8400]。其中 116 的前 84 个字段跟 YOLOv8 目标检测模型输出定义完全一致，即cx,cy,w,h 和 80 类的分数；后 32 个字段用于计算掩膜数据。
输出节点 2 的名字：“output1”；
数据：float32[1,32,160,160]。output0 后 32 个字段与 output1 的数据做矩阵乘法后得到的结果，即为对应目标的掩膜数据。
基于 OpenVINO™ Python API 的 YOLOv8-seg 实例分割模型范例程序 yolov8_seg_ov_sync_infer_demo.py 的核心源代码，如下所示：
cap = cv2.VideoCapture("store-aisle-detection.mp4")model_path = "yolov8n-seg.xml"device_name = "GPU"yoloseg = YOLOSeg(model_path, device_name, conf_thres=0.3, iou_thres=0.3)while cap.isOpened():ret, frame = cap.read()if not ret:breakstart = time.time()boxes, scores, class_ids, masks = yoloseg(frame)combined_img = yoloseg.draw_masks(frame)end = time.time()fps = (1 / (end - start))fps_label = "Throughput: %.2f FPS" % fpscv2.putText(combined_img, fps_label, (10, 25), cv2.FONT_HERSHEY_SIMPLEX, 1, (0, 0, 255), 2)cv2.imshow("YOLOv8 Segmentation OpenVINO inference Demo", combined_img)if cv2.waitKey(1) > -1:print("finished by user")break
向右滑动查看完整代码
运行结果，如下图所示：
向右滑动查看完整图片
05
结论
AI 爱克斯开发板 借助 N5105 处理器的集成显卡(24个执行单元)和 OpenVINO™ ，可以在 YOLOv8-seg 的实例分割模型上获得相当不错的性能。
通过异步处理和 AsyncInferQueue ，还能进一步提升计算设备的利用率，提高 AI 推理程序的吞吐量。
