如何在MacOS上編譯OpenVINO C++項目呢？

前言

英特爾公司發行的模型部署工具 OpenVINO 模型部署套件，可以實現在不同系統環境下運行，且發布的 OpenVINO 2023 最新版目前已經支持 MacOS 系統并同時支持在蘋果 M 系列芯片上部署模型。在該項目中，我們將向大家展示如何在 MacOS 系統、M2芯片的 Macbook Air 電腦上，展示使用 OpenVINO C++ API 部署深度學習模型。

1. OpenVINO

英特爾發行版 OpenVINO 工具套件基于 oneAPI 而開發，可以加快高性能計算機視覺和深度學習視覺應用開發速度工具套件，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地真實世界結果部署到生產系統中。通過簡化的開發工作流程，OpenVINO 可賦能開發者在現實世界中部署高性能應用程序和算法。

OpenVINO 2023.2 于 2023 年 11 月 16 日發布，該工具包帶來了挖掘生成人工智能全部潛力的新功能。更多的生成式 AI 覆蓋和框架集成，以最大限度地減少代碼更改，并且擴展了對直接 PyTorch 模型轉換的模型支持。支持更多新的模型，包括 LLaVA、chatGLM、Bark 和 LCM 等著名模型。

支持更廣泛的大型語言模型（LLM）和更多模型壓縮技術，支持運行時推理支持以下 Int4 模型壓縮格式，通過神經網絡壓縮框架（NNCF） 進行本機 Int4 壓縮等一系列新的功能。

通過 OpenVINO 官網信息，我們可以看出，目前 OpenVINO已經能夠在蘋果 MacOS 系統、M 系列芯片上運行，這為使用 MacOS 系統的開發者提供了很好的工具。因此在此處，我們將在 MacOS 系統、M2芯片的 Macbook Air 電腦上，展示使用 OpenVINO C++ API 部署深度學習模型的詳細流程。

2. OpenVINO 下載

官方在發布版本中已經提供 MacOS 系統的編譯庫，因此在此處我們只需要下載官方編譯庫即可。

首先訪問 OpenVINO 網站，依次選擇版本號、操作系統、安裝方式等內容，然后點擊下載，如下圖所示：

OpenVINO 官網：

https://www.intel.com/content/www/us/en/developer/tools/openvino-toolkit/download.html

下面是官方編譯的文件，此處主要提供了兩個版本，一個是適用于蘋果電腦之前的版本，主要是 MacOS 10 以及之前的版本系統并且使用的是 Intel CPU，另一個是使用了蘋果的 M 系列芯片的新版本電腦，主要是 MacOS 11 之后的系統。大家可以根據自己的電腦進行選擇：

下載完后，將該文件解壓到任意文件夾，在此處為了方便后續使用一集更新，將其解壓到用戶文件夾，如下圖所示：

后續我們會使用 CMake 進行項目編譯，因此我們此處無需再做其他的設置。

其他環境配置：

● MacOS：14.2.1

● CMake：3.28

● Make：3.81

●編譯軟件：Visual Studio Code

● OpenCV：4.8.0 其他環境配置此處不做過多贅述，OpenCV 環境安裝可以參考下述文章實現：【OpenCV】在 MacOS 上源碼編譯 OpenCV

3. 代碼實現

此處我們以 Yolov8圖片分類模型為例進行項目測試，由于該模型之前我們已經多次使用，所以在此處不再做耕作的闡述，具體代碼如下所示：

#include 
#include 
#include 
#include 
#include 
#include "openvino/openvino.hpp" //openvino header file
#include "opencv2/opencv.hpp"  //opencv header file


int main(int argc, char* argv[])
{
  ov::Version version = ov::get_openvino_version();
  std::cout << version.description << ": " << version.buildNumber << std::endl;


 ? ?// -------- Step 1. Initialize OpenVINO Runtime Core --------
 ? ?ov::Core core;


 ? ?// -------- Step 2. Compile the Model --------
 ? ?auto compiled_model = core.compile_model("yolov8s-cls.xml", "CPU");


 ? ?// -------- Step 3. Create an Inference Request --------
 ? ?ov::InferRequest infer_request = compiled_model.create_infer_request();


 ? ?// -------- Step 4.Read a picture file and do the preprocess --------
 ? ?cv::Mat img = cv::imread("image.jpg"); 
 ? ?// Preprocess the image
 ? ?int col = img.cols;
 ? ?int row = img.rows;
 ? ?int _max = MAX(col, row);
 ? ?cv::Mat letterbox_img = cv::zeros(_max, _max, CV_8UC3);
 ? ?img.copyTo(letterbox_img(cv::Rect(0, 0, col, row)));
 ? ?
 ? ?cv::Mat blob = cv::blobFromImage(letterbox_img, 1.0 / 255.0, cv::Size(224, 224), cv::Scalar(), true);


 ? ?// -------- Step 5. Feed the blob into the input node of the Model -------
 ? ?// Get input port for model with one input
 ? ?auto input_port = compiled_model.input();
 ? ?std::cout << "The shape of input tensor:" << input_port.get_shape() << std::endl;
 ? ?// Create tensor from external memory
 ? ?ov::Tensor input_tensor(input_port.get_element_type(), input_port.get_shape(), blob.ptr(0));
 ? ?// Set input tensor for model with one input
 ? ?infer_request.set_input_tensor(input_tensor);


 ? ?// -------- Step 6. Start inference --------
 ? ?infer_request.infer();
 ? ?struct timeval start_time, end_time;
 ? ?gettimeofday(&start_time,NULL);
 ? ?infer_request.infer();
 ? ?gettimeofday(&end_time,NULL);
 ? ?// Get the elapsed millisecond time
 ? ?double elapsed_time = (end_time.tv_sec - start_time.tv_sec)*1000 + (end_time.tv_usec - start_time.tv_usec)/1000;
 ? ?// -------- Step 7. Get the inference result --------
 ? ?auto output = infer_request.get_output_tensor(0);
 ? ?auto output_shape = output.get_shape();
 ? ?std::cout << "The shape of output tensor:" << output_shape << std::endl;


 ? ?// -------- Step 8. Postprocess the result --------
 ? ?float* output_buffer = output.data();
  std::vector result(output_buffer, output_buffer + output_shape[1]);
  auto max_idx = std::max_element(result.begin(), result.end());
  int class_id = max_idx - result.begin();
  float score = *max_idx;
  std::cout << "Class ID:" << class_id << " Score:" <

	

	在該代碼中，主要是獲取 OpenVINO 版本信息，然后按照模型部署流程部署測試了 Yolov8 圖片分類模型，并打印輸出結果以及推理時間。

	4. 項目編譯運行

	在該項目中通過 CMake 編譯項目，定義的 CMakeLists.txt 文件如下所示：

	
cmake_minimum_required(VERSION 3.28)
project(test_openvino)
set(OpenCV_DIR /Users/ygj/3lib/opencv_4.8.0/lib/cmake/opencv4)
find_package(OpenCV REQUIRED)
message(STATUS "OpenCV_DIR = ${OpenCV_DIR}")
message(STATUS "OpenCV_INCLUDE_DIRS = ${OpenCV_INCLUDE_DIRS}")
message(STATUS "OpenCV_LIBS = ${OpenCV_LIBS}")
set(OpenVINO_DIR /Users/ygj/3lib/openvino_2023.2/runtime/cmake)
set(OpenVINO_LIBs "/Users/ygj/3lib/openvino_2023.2/runtime/lib/arm64/Release/libopenvino.2320.dylib")
set(CMAKE_CXX_FLAGS "${CMAKE_CXX_FLAGS} -std=c++11")
include_directories(
 /Users/ygj/3lib/openvino_2023.2/runtime/include
  ${OpenCV_INCLUDE_DIRS}
)
add_executable(test_openvino test_openvino.cpp )
target_link_libraries(test_openvino ${OpenVINO_LIBs} ${OpenCV_LIBS})

	

	在這個 CMakeLists 文件中，需要同時配置 OpenCV 以及 OpenVINO 這兩個依賴庫，具體編譯以及配置方式參考 CMake 手冊。

	接下來就可以項目編譯了，在終端中輸入一下命令，就可以進行項目配置了，輸出結果如下所示：

	
cmake .

	

	

	接下來就是進行項目編譯，CMake 編譯后會生成 Makefile 文件，之后就可以運行 make 命令進行項目最后的編譯，然后就可以直接運行生成的項目文件，如下所示：

	
make
./test_openvino

	

	

	上圖中展示了項目最后運行結果，可以看出，此處使用的模型輸入大小為[1,3,224,224]，輸出大小為[1,1000]，識別結果 Class ID=386，查看分類結果字典，圖片識別結果與圖片一致；模型的推理時間為：7ms。

	5. 總結

	該項目中，我們在 MacOS 14.2.1 系統、M2 芯片的 Macbook Air 電腦上，成功使用 OpenVINO C++ API 部署了 Yolov8 圖片分類深度學習模型，并詳細演示了 OpenVINO C++ API 在蘋果電腦上使用與配置流程，為使用 MacOS 系統的開發者提供了很好的范例與參考。

	





	審核編輯：劉清