作者：顏國進英特爾邊緣計算創(chuàng)新大使

RT-DETR 是在 DETR 模型基礎(chǔ)上進行改進的，一種基于DETR架構(gòu)的實時端到端檢測器，它通過使用一系列新的技術(shù)和算法，實現(xiàn)了更高效的訓練和推理，在前文我們發(fā)表了《基于OpenVINOPython API部署RT-DETR模型|開發(fā)者實戰(zhàn)》，在該文章中，我們基于 OpenVINOPython API向大家展示了包含后處理的 RT-DETR 模型的部署流程，但在實際工業(yè)應用中，我們?yōu)榱伺c當前軟件平臺集成更多會采用 C++ 平臺，因此在本文中，我們將基于 OpenVINOC++ API向大家展示了不包含后處理的 RT-DETR 模型的部署流程，并向大家展示如何導出不包含后處理的 RT-DETR 模型。

該項目所使用的全部代碼已經(jīng)在 GitHub 上開源，并且收藏在 OpenVINO-CSharp-API 項目里。

1. RT-DETR

飛槳在去年3月份推出了高精度通用目標檢測模型PP-YOLOE，同年在PP-YOLOE的基礎(chǔ)上提出了PP-YOLOE+。而繼 PP-YOLOE提出后，MT-YOLOv6、YOLOv7、DAMO-YOLO、RTMDet等模型先后被提出，一直迭代到今年開年的YOLOv8。

YOLO檢測器有個較大的待改進點是需要NMS后處理，其通常難以優(yōu)化且不夠魯棒，因此檢測器的速度存在延遲。DETR 是一種不需要NMS后處理、基于Transformer的端到端目標檢測器。百度飛槳正式推出了——RT-DETR (Real-Time DEtection TRansformer)，一種基于DETR架構(gòu)的實時端到端檢測器，其在速度和精度上取得了SOTA性能。

RT-DETR 是在 DETR 模型基礎(chǔ)上進行改進的，它通過使用一系列新的技術(shù)和算法，實現(xiàn)了更高效的訓練和推理。具體來說，RT-DETR 具有以下優(yōu)勢：

1. 實時性能更佳

RT-DETR 采用了一種新的注意力機制，能夠更好地捕獲物體之間的關(guān)系，并減少計算量。此外，RT-DETR 還引入了一種基于時間的注意力機制，能夠更好地處理視頻數(shù)據(jù)。

2. 精度更高

RT-DETR 在保證實時性能的同時，還能夠保持較高的檢測精度。這主要得益于 RT-DETR 引入的一種新的多任務學習機制，能夠更好地利用訓練數(shù)據(jù)。

3. 更易于訓練和調(diào)參

RT-DETR 采用了一種新的損失函數(shù)，能夠更好地進行訓練和調(diào)參。此外，RT-DETR 還引入了一種新的數(shù)據(jù)增強技術(shù)，能夠更好地利用訓練數(shù)據(jù)。

2. OpenVINO

英特爾發(fā)行版OpenVINO 工具套件基于 oneAPI而開發(fā)，可以加快高性能計算機視覺和深度學習視覺應用開發(fā)速度工具套件，適用于從邊緣到云的各種英特爾平臺上，幫助用戶更快地將更準確的真實世界結(jié)果部署到生產(chǎn)系統(tǒng)中。通過簡化的開發(fā)工作流程，OpenVINO 可賦能開發(fā)者在現(xiàn)實世界中部署高性能應用程序和算法。

OpenVINO 2023.1 于 2023 年 9 月 18 日發(fā)布，該工具包帶來了挖掘生成人工智能全部潛力的新功能。生成人工智能的覆蓋范圍得到了擴展，通過 PyTorch* 等框架增強了體驗，您可以在其中自動導入和轉(zhuǎn)換模型。大型語言模型（LLM）在運行時性能和內(nèi)存優(yōu)化方面得到了提升。聊天機器人、代碼生成等的模型已啟用。OpenVINO更便攜，性能更高，可以在任何需要的地方運行：在邊緣、云中或本地。

3. 環(huán)境配置

在上一篇文章中我們以已經(jīng)向大家提供了 RT-DETR 模型導出蘇需要的環(huán)境，此處不再多做展示，為了大家更好的復現(xiàn)該項目代碼，此處向大家提供本次開發(fā)所使用的 C++ 環(huán)境：

openvino: 2023.1.0
opencv: 4.5.5

大家在復現(xiàn)代碼時可以使用相同的環(huán)境或者與作者所使用環(huán)境發(fā)布較為接近的環(huán)境進行開發(fā)，防止使用時出現(xiàn)不必要的錯誤；此外該項目提供了兩種編譯方式，大家可以使用 Visual Studio 進行編譯以及 CMake 進行編譯。

4. 模型下載與轉(zhuǎn)換

在上一篇文章中我們已經(jīng)向大家展示了 RT-DETR 預訓練模型的導出方式，該模型是默認包含后處理的；因此在本文中，我們將向大家展示不包含后處理的 RT-DETR 模型導出方式以及兩種模型的差異。

4.1 模型導出

PaddleDetection 官方庫向我們提供了十分友好 API 接口，因此導出不包含后處理的 RT-DETR 模型也是十分容易的。首先修改配置文件，主要是修改 RT-DETR 模型的配置文件，配置文件路徑為：

.PaddleDetectionconfigs tdetr\_base_ tdetr_r50vd.yml

在配置文件 DETR 項目下增加 exclude_post_process: True 語句，如下圖所示：

然后重新運行模型導出指令，便可以獲取不包含后處理的模型：

python tools/export_model.py -c configs/rtdetr/rtdetr_r50vd_6x_coco.yml -o weights=https://bj.bcebos.com/v1/paddledet/models/rtdetr_r50vd_6x_coco.pdparams trt=True --output_dir=output_inference

左滑查看更多

在模型導出后，我們可以轉(zhuǎn)換成 ONNX 格式以及 IR 格式，可參考上一篇文章中的模型轉(zhuǎn)換內(nèi)容。

4.2 模型信息對比

通過下表我們可以看出，裁剪后的模型，只包含一個輸入節(jié)點，其輸出節(jié)點也發(fā)生了變化，原本模型輸出為處理后的預測輸出，經(jīng)過裁剪后，模型輸出節(jié)點輸出內(nèi)容發(fā)生了較大變化。其中：

stack_7.tmp_0.slice_0：該節(jié)點表示 300 種預測結(jié)果的預測框信息；

stack_8.tmp_0.slice_0：該節(jié)點表示 300 種預測結(jié)果的 80 種分類信息置信度，后續(xù)再處理時，需要根據(jù)預測結(jié)果獲取最終的預測分類信息。

模型節(jié)點信息圖(左圖為包含后處理的模型節(jié)點信息，右圖為不包含后處理的模型節(jié)點信息)

5. C++ 代碼實現(xiàn)

為了更系統(tǒng)地實現(xiàn) RT-DETR 模型的推理流程，我們采用 C++ 特性，封裝了 RTDETRPredictor 模型推理類以及 RTDETRProcess 模型數(shù)據(jù)處理類，下面我們將對這兩個類中的關(guān)鍵代碼進行講解。

5.1 模型推理類實現(xiàn)

C++ 代碼中我們定義的 RTDETRPredictor 模型推理類如下所示：

class RTDETRPredictor
{
public:
  RTDETRPredictor(std::string model_path, std::string label_path, 
    std::string device_name = "CPU", bool postprcoess = true);
  cv::Mat predict(cv::Mat image);
private:
  void pritf_model_info(std::shared_ptr model);
  void fill_tensor_data_image(ov::Tensor& input_tensor, const cv::Mat& input_image);
  void fill_tensor_data_float(ov::Tensor& input_tensor, float* input_data, int data_size);
private:
  RTDETRProcess rtdetr_process;
  bool post_flag;
  ov::Core core;
  std::shared_ptr model;
  ov::CompiledModel compiled_model;
  ov::InferRequest infer_request;
};

左滑查看更多

1）模型推理類初始化

首先我們需要初始化模型推理類，初始化相關(guān)信息：

RTDETRPredictor::RTDETRPredictor(std::string model_path, std::string label_path, 
std::string device_name, bool post_flag)
 :post_flag(post_flag){
  INFO("Model path: " + model_path);
  INFO("Device name: " + device_name);
  model = core.read_model(model_path);
  pritf_model_info(model);
  compiled_model = core.compile_model(model, device_name);
  infer_request = compiled_model.create_infer_request();
  rtdetr_process = RTDETRProcess(cv::Size(640, 640), label_path, 0.5);
}

左滑查看更多

在該方法中主要包含以下幾個輸入：

model_path：推理模型地址；

label_path：模型預測類別文件；

device_name：推理設(shè)備名稱；

post_flag：模型是否包含后處理，當 post_flag = true 時，包含后處理，當 post_flag = false 時，不包含后處理。

2）圖片預測 API

這一步中主要是對輸入圖片進行預測，并將模型預測結(jié)果會知道輸入圖片上，下面是這階段的主要代碼：

cv::Mat RTDETRPredictor::predict(cv::Mat image){
  cv::Mat blob_image = rtdetr_process.preprocess(image);
  if (post_flag) {
    ov::Tensor image_tensor = infer_request.get_tensor("image");
    ov::Tensor shape_tensor = infer_request.get_tensor("im_shape");
    ov::Tensor scale_tensor = infer_request.get_tensor("scale_factor");
    image_tensor.set_shape({ 1,3,640,640 });
    shape_tensor.set_shape({ 1,2 });
    scale_tensor.set_shape({ 1,2 });
    fill_tensor_data_image(image_tensor, blob_image);
    fill_tensor_data_float(shape_tensor, rtdetr_process.get_input_shape().data(), 2);
    fill_tensor_data_float(scale_tensor, rtdetr_process.get_scale_factor().data(), 2);
  } else {
    ov::Tensor image_tensor = infer_request.get_input_tensor();
    fill_tensor_data_image(image_tensor, blob_image);
  }
  infer_request.infer();
  ResultData results;
  if (post_flag) {
    ov::Tensor output_tensor = infer_request.get_tensor("reshape2_95.tmp_0");
    float result[6 * 300] = {0};
    for (int i = 0; i < 6 * 300; ++i) {
 ? ? ? ? ? ?result[i] = output_tensor.data()[i];
    }
    results = rtdetr_process.postprocess(result, nullptr, true);
  } else {
    ov::Tensor score_tensor = infer_request.get_tensor(model->outputs()[1].get_any_name());
    ov::Tensor bbox_tensor = infer_request.get_tensor(model->outputs()[0].get_any_name());
    float score[300 * 80] = {0};
    float bbox[300 * 4] = {0};
    for (int i = 0; i < 300; ++i) {
 ? ? ? ? ? ?for (int j = 0; j < 80; ++j) {
 ? ? ? ? ? ? ? ?score[80 * i + j] = score_tensor.data()[80 * i + j];
      }
      for (int j = 0; j < 4; ++j) {
 ? ? ? ? ? ? ? ?bbox[4 * i + j] = bbox_tensor.data()[4 * i + j];
      }
    }
    results = rtdetr_process.postprocess(score, bbox, false);
  }
  return rtdetr_process.draw_box(image, results);
}

左滑查看更多

上述代碼的主要邏輯如下：首先是處理輸入圖片，調(diào)用定義的數(shù)據(jù)處理類，將輸入圖片處理成指定的數(shù)據(jù)類型；然后根據(jù)模型的輸入節(jié)點情況配置模型輸入數(shù)據(jù)，如果使用的是動態(tài)模型輸入，需要設(shè)置輸入形狀；接下來就是進行模型推理；最后就是對推理結(jié)果進行處理，并將結(jié)果繪制到輸入圖片上。

5.2 模型數(shù)據(jù)處理類 RTDETRProcess

1）定義 RTDETRProcess

class RTDETRProcess
{
public:
  RTDETRProcess() {}
  RTDETRProcess(cv::Size target_size, std::string label_path = NULL, float threshold = 0.5,
    cv::InterpolationFlags interpf = cv::INTER_LINEAR);
  cv::Mat preprocess(cv::Mat image);
  ResultData postprocess(float* score, float* bboxs, bool post_flag);
  std::vector get_im_shape() { return im_shape; }
  std::vector get_input_shape() { return { (float)target_size.width ,(float)target_size.height }; }
  std::vector get_scale_factor() { return scale_factor; }
  cv::Mat draw_box(cv::Mat image, ResultData results);
private:
  void read_labels(std::string label_path);
  template
  float sigmoid(T data) { return 1.0f / (1 + std::exp(-data));}
  template
  int argmax(T* data, int length) {
    std::vector arr(data, data + length);
    return (int)(std::max_element(arr.begin(), arr.end()) - arr.begin());
  }
private:
  cv::Size target_size;        // The model input size.
  std::vector labels;  // The model classification label.
  float threshold;          // The threshold parameter.
  cv::InterpolationFlags interpf;   // The image scaling method.
  std::vector im_shape;
  std::vector scale_factor;
};

左滑查看更多

2） 輸入數(shù)據(jù)處理方法

cv::Mat RTDETRProcess::preprocess(cv::Mat image){
  im_shape = { (float)image.rows, (float)image.cols };
  scale_factor = { 640.0f / (float)image.rows, 640.0f / (float)image.cols};
  cv::Mat blob_image;
  cv::cvtColor(image, blob_image, cv::COLOR_BGR2RGB); 
  cv::resize(blob_image, blob_image, target_size, 0, 0, cv::INTER_LINEAR);
  std::vector rgb_channels(3);
  cv::split(blob_image, rgb_channels);
  for (auto i = 0; i < rgb_channels.size(); i++) {
 ? ? ? ?rgb_channels[i].convertTo(rgb_channels[i], CV_32FC1, 1.0 / 255.0);
 ? ?}
 ? ?cv::merge(rgb_channels, blob_image);
 ? ?return blob_image;
}

左滑查看更多

3）預測結(jié)果數(shù)據(jù)處理方法

ResultData RTDETRProcess::postprocess(float* score, float* bbox, bool post_flag)
{
  ResultData result;
  if (post_flag) {
    for (int i = 0; i < 300; ++i) {
 ? ? ? ? ? ?if (score[6 * i + 1] > threshold) {
        result.clsids.push_back((int)score[6 * i ]);
        result.labels.push_back(labels[(int)score[6 * i]]);
        result.bboxs.push_back(cv::Rect(score[6 * i + 2], score[6 * i + 3],
          score[6 * i + 4] - score[6 * i + 2],
          score[6 * i + 5] - score[6 * i + 3]));
        result.scores.push_back(score[6 * i + 1]);
      }
    }
  } else {
    for (int i = 0; i < 300; ++i) {
 ? ? ? ? ? ?float s[80];
 ? ? ? ? ? ?for (int j = 0; j < 80; ++j) {
 ? ? ? ? ? ? ? ?s[j] = score[80 * i + j];
 ? ? ? ? ? ?}
 ? ? ? ? ? ?int clsid = argmax(s, 80);
      float max_score = sigmoid(s[clsid]);
      if (max_score > threshold) {
        result.clsids.push_back(clsid);
        result.labels.push_back(labels[clsid]);
        float cx = bbox[4 * i] * 640.0 / scale_factor[1];
        float cy = bbox[4 * i + 1] * 640.0 / scale_factor[0];
        float w = bbox[4 * i + 2] * 640.0 / scale_factor[1];
        float h = bbox[4 * i + 3] * 640.0 / scale_factor[0];
        result.bboxs.push_back(cv::Rect((int)(cx - w / 2), (int)(cy - h / 2), w, h));
        result.scores.push_back(max_score);
      }
    }
  }
  return result;
}

左滑查看更多

此處對輸出結(jié)果做一個解釋，由于我們提供了兩種模型的輸出，此處提供了兩種模型的輸出數(shù)據(jù)處理方式，主要區(qū)別在于是否對預測框進行還原以及對預測類別進行提取，具體區(qū)別大家可以查看上述代碼。

6. 預測結(jié)果展示

最后通過上述代碼，我們最終可以直接實現(xiàn) RT-DETR 模型的推理部署，RT-DETR 與訓練模型采用的是 COCO 數(shù)據(jù)集，最終我們可以獲取預測后的圖像結(jié)果，如圖所示：

上圖中展示了 RT-DETR 模型預測結(jié)果，同時，我們對模型圖里過程中的關(guān)鍵信息以及推理結(jié)果進行了打?。?/p>

[INFO] This is an RT-DETR model deployment case using C++!
[INFO] Model path: E:\Model\RT-DETR\RTDETR_cropping\rtdetr_r50vd_6x_coco.onnx
[INFO] Device name: CPU
[INFO] Inference Model
[INFO]  Model name: Model from PaddlePaddle.
[INFO]  Input:
[INFO]    name: image
[INFO]    type: float
[INFO]    shape: [?,3,640,640]
[INFO]  Output:
[INFO]    name: stack_7.tmp_0_slice_0
[INFO]    type: float
[INFO]    shape: [?,300,4]
[INFO]    name: stack_8.tmp_0_slice_0
[INFO]    type: float
[INFO]    shape: [?,300,80]
[INFO] Infer result:
[INFO]  class_id : 0, label : person, confidence : 0.928, left_top : [215, 327], right_bottom: [259, 468]
[INFO]  class_id : 0, label : person, confidence : 0.923, left_top : [260, 343], right_bottom: [309, 460]
[INFO]  class_id : 0, label : person, confidence : 0.893, left_top : [402, 346], right_bottom: [451, 478]
[INFO]  class_id : 0, label : person, confidence : 0.796, left_top : [456, 369], right_bottom: [507, 479]
[INFO]  class_id : 0, label : person, confidence : 0.830, left_top : [519, 360], right_bottom: [583, 479]
[INFO]  class_id : 33, label : kite, confidence : 0.836, left_top : [323, 159], right_bottom: [465, 213]
[INFO]  class_id : 33, label : kite, confidence : 0.805, left_top : [329, 64], right_bottom: [388, 85]
[INFO]  class_id : 33, label : kite, confidence : 0.822, left_top : [282, 217], right_bottom: [419, 267]
[INFO]  class_id : 0, label : person, confidence : 0.834, left_top : [294, 384], right_bottom: [354, 443]
[INFO]  class_id : 33, label : kite, confidence : 0.793, left_top : [504, 195], right_bottom: [522, 214]
[INFO]  class_id : 33, label : kite, confidence : 0.524, left_top : [233, 22], right_bottom: [242, 29]
[INFO]  class_id : 33, label : kite, confidence : 0.763, left_top : [116, 178], right_bottom: [136, 190]
[INFO]  class_id : 0, label : person, confidence : 0.601, left_top : [497, 380], right_bottom: [529, 479]
[INFO]  class_id : 33, label : kite, confidence : 0.764, left_top : [460, 251], right_bottom: [478, 268]
[INFO]  class_id : 33, label : kite, confidence : 0.605, left_top : [176, 236], right_bottom: [256, 257]
[INFO]  class_id : 0, label : person, confidence : 0.732, left_top : [154, 380], right_bottom: [210, 420]
[INFO]  class_id : 33, label : kite, confidence : 0.574, left_top : [221, 264], right_bottom: [342, 312]
[INFO]  class_id : 33, label : kite, confidence : 0.588, left_top : [97, 316], right_bottom: [155, 359]
[INFO]  class_id : 33, label : kite, confidence : 0.523, left_top : [171, 317], right_bottom: [227, 357]
[INFO]  class_id : 33, label : kite, confidence : 0.657, left_top : [363, 120], right_bottom: [375, 129]
[INFO]  class_id : 0, label : person, confidence : 0.698, left_top : [26, 341], right_bottom: [57, 425]
[INFO]  class_id : 33, label : kite, confidence : 0.798, left_top : [242, 124], right_bottom: [263, 135]
[INFO]  class_id : 33, label : kite, confidence : 0.528, left_top : [218, 178], right_bottom: [451, 241]
[INFO]  class_id : 33, label : kite, confidence : 0.685, left_top : [430, 29], right_bottom: [449, 43]
[INFO]  class_id : 33, label : kite, confidence : 0.640, left_top : [363, 120], right_bottom: [375, 129]
[INFO]  class_id : 33, label : kite, confidence : 0.559, left_top : [161, 193], right_bottom: [171, 199]

左滑查看更多

7. 總結(jié)

在本項目中，我們介紹了 OpenVINO C++ API部署自帶后處理的 RT-DETR 模型的案例，并結(jié)合該模型的處理方式封裝完整的代碼案例，實現(xiàn)了在英特爾平臺使用 OpenVINO加速深度學習模型，有助于大家以后落地 RT-DETR 模型在工業(yè)上的應用。

在下一篇文章《基于OpenVINO Python C#部署RT-DETR模型》中，我們將基于 C# API 接口，實現(xiàn) RT-DETR模型的部署，并且基于開發(fā)的代碼，對比不同平臺的推理速度。如果大家有興趣，可以先關(guān)注本項目代碼倉庫，獲取項目實現(xiàn)源碼。

審核編輯：湯梓紅