目标检测(Obiect Detection)近年来一直是深度学习视觉领域理论和应用的研究热点，目标检测即是在给定的图像中找到期望的物体，同时确定物体的标签和位置。

YOLOv3(You Only Look Once,Version 3)是一种实时目标检测算法。本文在YOLOv3算法的基础上，介绍了目标检测模型的训练和部署，具体步骤如下。

第一步，使用PaddleX可视化客户端训练模型，并同样使用PaddleX进行了推理预测

第二步，使用OpenVINO^™ 对训练的YOLOv3目标检测模型进行优化加速，再对模型行推理预测。

第三步，对已发布的YOLOv3 IR模型在不同平台(CPU/iGPU)上进行性能的测试与对比。

训练目标检测模型需要极大的算力，本文的硬件平台选择为英特尔^® NUC(N ext Unit of Computer)产品线系列的幻影峡谷，英特尔^® NUC 是英特尔^® 公司设计制造的功 能强大的迷你计算机(Mini PC)，而该系列中的幻影峡谷是一款具备 AI 训练能力的迷你计算机。如图1所示。

本文使用的幻影峡谷与深度学习模型训练相关的参数如下。

本文需要的软件运行环境及其对应版本如下。

首先从Kaggle直接下载猫狗数据集，使用Labelimg进行标注，将标注完毕的.xml格式文件和原文件的.jpg格式放在同一文件夹中，本文放在D:MyDataset路径中。

打开PaddleX GUI可视化客户端新建数据集，选择标注数据对应存储路径导入标注好的数据集。校验成功后按照实际需求划分训练集、验证集以及测试集的比例。之后在可视化客户端新建项目，新建项目的任务类型需和数据集的任务类型保持一致。本文的YOLOv3算法选择目标检测这一任务类型。

项目创建完成后，载入客户端加载数据集，根据实际需求对模型参数、训练参数、优化策略三个方面进行参数配置，获得最佳任务效果。参数配置完成后即可开始训练，训练过程中可以通过VisualDL查看模型训练过程中参数的变化，如图2所示。

图2 使用PaddleX GUI进行模型训练

模型训练完毕，进入模型评估阶段，如果在混淆矩阵、模型精度、召回率等指标得到最优效果后，可以将模型导出，根据实际生产环境需求，将模型发布为需要的版本。使用PaddleX客户端模型训练完毕后，导出模型，使用python脚本对已发布的模型进行推理预测，模型预测代码见代码清单1。

#使用PaddleX进行预测

import paddlex as pdx

#导入预测图片路径和模型

test_jpg = “D:/MyDataset/JPEGImages/1140.jpg”

model = pdx.load_model(“C:/Users/NUC/paddlex_workspace/P0002-T0002_export_model/inference_model”)

#predict接口并未过滤低置信度识别结果，用户根据score值进行过滤

result = model.predict(test_jpg)

#可视化结果存储在./visualized_test.jpg中

pdx.det.visualize(test_jpg,result,threshold=0.5,save_dir=”./”)

可得到如下图3所示推理结果。

PaddleX支持将训练好的深度学习模型通过OpenVINO^™工具套件对模型优化部署，在初始化 OpenVINO^™工具套件使用环境，安装完毕 OpenVINO^™工具套件相关依赖后即可进行加速部署。

通过命令行<paddlex –export_inference –model-dir=./path/to/paddle_model –save_dir=./inference_model –fixed_input_shape=[w,h]>将paddle模型导入为inference格式模型，导出包括.success、__model__、__params__和 model.yml 四个文件的inference_model文件。

将PaddleX代码仓下载到本地文件夹中，初始化OpenVINO环境，再通过命令行<python converter.py –model_dir /path/to/inference_model –save_dir /path/to/openvino_model –fixed_input_shape [w,h]>转换代码，将inference格式模型转换为OpenVINO模型。如图4所示。

加载OpenVINO模型，输入命令<python PaddleXdeployopenvinopythondemo.py -m openvino_modelpaddle2onnx_model.xml -i images001.jpg -c inference_modelmodel.yml>执行推理程序。推理结果如图5所示。

将上述训练并发布的YOLOv3 IR模型中paddle2onnx_model.xml和paddle2onnx_model.bin来做性能测试。通过响应延迟(Latency)和吞吐量(Throughput)是评价模型推理优化性能。

进入openvino默认安装路径的C:Program File (x86)Intelopenvino_2021.2.185deployment_toolstoolsbenchmark_tool的Windows命令行窗口，打开虚拟环境初始化OpenVINO, 输入命令<python benchmark_app.py -m PATH_TO_MODEL -d CPU|GPU>分别指定CPU和iGPU测试性能。

基于幻影峡谷的中央处理器第11代英特尔^®酷睿^™i7-1165G7和英特尔^® Iris^® Xe Graphics集成显卡，所得到的YOLOv3 IR模型性能测试结果见表1。

由上述数据可以看到，YOLOv3模型经过OpenVINO优化后，在Iris^® Xe Graphics集成显卡上的吞吐量可以达到19.56FPS，该速度完全满足大部分AI工程实践应用。

本文使用了PaddleX的可视化客户端模式对目标检测模型进行了训练，PaddleX还提供Python API的模型训练模式，其使用方法以及模型零基础从训练到部署的详细步骤，扫描下方二维码或点击阅读原文查看《零基础教你使用OpenVINO™工具套件部署YOLOv3模型》电子书全文。

无代码的模型训练方式以及像OpenVINO^™工具套件对模型的加速和优化，这些模型训练和部署模式已经成为了新的趋势，能够把模型训练的复杂度降到最低，特别是在使用OpenVINO^™工具套件对模型进行加速优化后的YOLOv3模型，在英特尔^®11代i7-1165G7上可以跑到10.56FPS的性能，在Iris^® Xe Graphics集成显卡上可以跑出19.56FPS的性能，模型的推理计算性能有了很显著的提升，完全能满足常见的AI应用需求，并且在一定程度上能够摆脱对独立显卡的依赖。由此可见，像PaddleX和OpenVINO这样的深度学习模型训练和部署的工具，必然会在未来的AI工程应用中大放异彩。源于产业实践，关注行业需求，节约生产成本，加快创意落地才是王道，才能更快更好的赋能于产业实践。