將數據預處理嵌入AI模型的常見技巧

作者: 英特爾物聯網行業創新大使 戰鵬州

本文將介紹基于 OpenVINO 模型優化器或預處理 API 將數據預處理嵌入 AI 模型的常見技巧，幫助讀者在硬件投入不變的情況下，進一步提升端到端的 AI 推理程序的性能。本文所有范例程序已開源：

https://gitee.com/ppov-nuc/resnet_ov_ppp.git，

并在基于第12 代英特爾酷睿處理器的 AI 開發者套件上完成測試。

以 YOLOv5 模型轉換為例，使用模型優化器命令：

mo --input_model yolov5s.onnx --data_type FP16

向右滑動查看完整代碼

將 yolov5s.onnx 模型轉為 IR 格式模型，并將模型精度從 FP32 轉為 FP16——這是最常見的模型優化器使用方式?；谏鲜?IR 模型，在編寫 AI 推理程序時，由于圖像數據的數值精度和形狀，跟模型輸入節點要求的數值精度和形狀不一樣，所以還需要將數據在輸入模型前對其進行預處理。

以YOLOv5模型為例，使用YOLOv5代碼倉自帶的zidane.jpg圖像，打印出圖像的數值精度和形狀，以及模型輸入節點的數值精度和形狀，對比如下，如圖1-1所示。

圖1-1 OpenCV 讀入的圖像 vs 模型輸入節點

從上圖可以看出，通過 OpenCV 的 imread() 函數讀取的圖像數據，在數據形狀、數值精度、數值范圍等地方，與模型輸入節點的要求不一樣，如下表所示：

由于存在上述的差異，數據在傳入模型前必須進行預處理，以滿足模型輸入節點的要求。數據預處理可以在推理代碼中編程實現，也可以用模型優化器實現，或者用OpenVINO 預處理 API 實現，本文將依次詳細介紹。

1.1用模型優化器實現數據預處理

1.1.1模型優化器預處理參數

模型優化器可以將顏色通道順序調整、圖像數據歸一化等預處理操作嵌入模型，參考《OpenVINO 模型轉換技術要點解讀》。通過指定參數：

--mean_values：所有輸入數據將減去 mean_values, 即 input - mean_values

--scale_values:所有輸入數據將除以 scales_values，當同時指定 mean_values 和 scale_values 時，模型優化器執行(input － mean_values)÷scales_values

--reverse_input_channels：將輸入通道順序從 RGB 轉換為 BGR（反之亦然）

當上述三個操作同時指定時，預處理順序為：

輸入數據

→→reverse_input_channels→→mean_values→→scale_values→→原始模型

在轉換模型時，假設推理程序使用 OpenCV 庫讀取圖像，則可以在模型優化器中增加 mean_values、scale_values 和 reverse_input_channels 三個參數，把顏色通道順序調整和圖像數據歸一化操作嵌入模型。若推理程序使用非 OpenCV 庫讀取圖像，例如 PIL.Image，則無需添加 --reverse_input_channels 參數。

下面本文將以 ResNet 模型為例，展示使用模型優化器將預處理嵌入模型的完整過程。

1.1.2將 ResNet 模型的預處理嵌入模型

ResNet 不僅是2015年 ILSVRC 大賽冠軍，還是產業實踐中常用的卷積神經網絡模型。PyTorch 已將 ResNet 集成到 torchvision 中，將 PyTorch 格式的 ResNet 模型轉為 ONNX 格式，完整代碼如下：

from torchvision.models import resnet50, ResNet50_Weights
import torch
# https://pytorch.org/vision/stable/models/generated/torchvision.models.resnet50.html
weights = ResNet50_Weights.IMAGENET1K_V2
model = resnet50(weights=weights, progress=False).cpu().eval()
# define input and output node
dummy_input = torch.randn(1, 3, 224, 224, device="cpu")
input_names, output_names = ["images"], ['output']
torch.onnx.export(model,
         dummy_input,
         "resnet50.onnx",
         verbose=True,
         input_names=input_names,
         output_names=output_names,
         opset_version=13
         )

向右滑動查看完整代碼

在導出 PyTorch 格式模型為 ONNX 格式時，需要注意的是算子版本（opset_version）最好≥11。

另外，OpenVINO 2022.2支持ONNX 1.8.1，即 opset_version=13, 所以本文將 opset_version 設置為13。

基于 ImageNet 1k 數據集訓練的 ResNet 模型的歸一化參數為：

mean_values= [123.675,116.28,103.53]

scale_values=[58.395,57.12,57.375]

將 ONNX 模型轉換為 OpenVINO IR 模型的命令為：

mo -m resnet50.onnx --mean_values=[123.675,116.28,103.53] --
scale_values=[58.395,57.12,57.375] --data_type FP16 --reverse_input_channels

向右滑動查看完整代碼

當獲得 ResNet50 的 IR 模型后，可以使用下面的程序，完成推理計算

from openvino.runtime import Core
import cv2
import numpy as np
core = Core()
resnet50 = core.compile_model("resnet50.xml", "CPU")
output_node = resnet50.outputs[0]
# Resize
img = cv2.resize(cv2.imread("cat.jpg"), [224,224])
# Layout: HWC -> NCHW
blob = np.expand_dims(np.transpose(img, (2,0,1)), 0)
result = resnet50(blob)[output_node]
print(np.argmax(result))

向右滑動查看完整代碼

在上面的推理代碼中，仍有調整圖像尺寸，改變圖像數據布局等操作在推理代碼中實現，接下來，本文將介紹用 OpenVINO 預處理 API，將更多預處理操作嵌入模型中。

1.2用OpenVINO 預處理 API 實現數據預處理

從 OpenVINO2022.1開始，OpenVINO提供一套預處理 API，將數據預處理嵌入模型，參考《使用 OpenVINO 預處理 API 進一步提升 YOLOv5 推理性能》。將數據預處理嵌入模型的好處是：

提高 AI 模型的移植性（推理代碼無需考慮編寫預處理程序）

提高推理設備（例如，英特爾集成顯卡/獨立顯卡）的利用率

提高 AI 程序端到端的性能

使用 OpenVINO 預處理 API 將預處理嵌入模型的完整范例程序 export_resnet_ov_ppp.py，如下所示：

from openvino.preprocess import PrePostProcessor, ColorFormat, ResizeAlgorithm
from openvino.runtime import Core, Layout, Type, serialize
# ======== Step 0: read original model =========
core = Core()
model = core.read_model("resnet50.onnx")
# ======== Step 1: Preprocessing ================
ppp = PrePostProcessor(model)
# Declare section of desired application's input format
ppp.input("images").tensor() 
  .set_element_type(Type.u8) 
  .set_spatial_dynamic_shape() 
  .set_layout(Layout('NHWC')) 
  .set_color_format(ColorFormat.BGR)
# Specify actual model layout
ppp.input("images").model().set_layout(Layout('NCHW'))
# Explicit preprocessing steps. Layout conversion will be done automatically as last step
ppp.input("images").preprocess() 
  .convert_element_type()   
  .convert_color(ColorFormat.RGB) 
  .resize(ResizeAlgorithm.RESIZE_LINEAR) 
  .mean([123.675, 116.28, 103.53]) 
  .scale([58.624, 57.12, 57.375])
# Dump preprocessor
print(f'Dump preprocessor: {ppp}')
model = ppp.build()
# ======== Step 2: Save the model with preprocessor================
serialize(model, 'resnet50_ppp.xml', 'resnet50_ppp.bin')

向右滑動查看完整代碼

export_resnet_ov_ppp.py 運行結果，如下圖所示：

從上面的代碼可見，使用 OpenVINO 預處理 API，可以將圖像尺寸調整、彩色通道轉換、數據歸一化、數據布局轉換全部集成到模型中，并且無需運行模型優化器，即可以將 ONNX 模型導出為 IR 模型。

基于 resnet50_ppp.xml 的完整推理程序，如下所示：

from openvino.runtime import Core
import cv2
import numpy as np
core = Core()
resnet50_ppp = core.compile_model("resnet50_ppp.xml", "CPU")
output_node = resnet50_ppp.outputs[0]
blob = np.expand_dims(cv2.imread("cat.jpg"),0)
result = resnet50_ppp(blob)[output_node]
print(np.argmax(result))

向右滑動查看完整代碼

如上所示，基于內嵌預處理的 IR 模型，OpenVINO 推理程序變得更加簡單清晰，易讀易懂了。五行 Python 核心代碼實現了內嵌預處理的 ResNet 模型推理！

1.3使用模型緩存技術進一步縮短首次推理時延

在《在蝰蛇峽谷上實現 YOLOv5 模型的 OpenVINO異步推理程序》討論了 AI 應用程序端到端的性能。對于首次推理時延來說，模型的載入和編譯時間，會極大增加首次推理的端到端的運行時間。

使用模型緩存技術，將極大的縮短首次推理時延，如下圖所示。

使用模型緩存技術，只需要添加一行代碼：

core.set_property({'CACHE_DIR': './cache/ppp'})

完整范例代碼如下所示：

from openvino.runtime import Core
import cv2
import numpy as np
core = Core()
core.set_property({'CACHE_DIR': './cache/ppp'}) # 使用模型緩存技術
resnet50_ppp = core.compile_model("resnet50_ppp.xml", "CPU")
output_node = resnet50_ppp.outputs[0]
blob = np.expand_dims(cv2.imread("cat.jpg"),0)
result = resnet50_ppp(blob)[output_node]
print(np.argmax(result))

向右滑動查看完整代碼

當第二次運行推理程序時，OpenVINO 運行時將從緩存文件夾直接加載已編譯好的模型，極大的優化了首次推理時延。

1.4總結

本文詳細介紹了通過模型優化器和 OpenVINO預處理 API，將數據預處理嵌入 AI 模型的技術。將數據預處理嵌入模型，簡化了推理程序編寫，提升推理計算設備利用率并提升了 AI 程序端到端的性能。最后，本文還介紹了通過模型緩存技術，進一步優化 AI 程序端到端的首次推理時延性能。

審核編輯：湯梓紅