AI模型部署 | onnxruntime部署YOLOv8分割模型详细教程

本文首发于公众号【DeepDriving】，欢迎关注。

0. 引言

我之前写的文章《基于YOLOv8分割模型实现垃圾识别》介绍了如何使用YOLOv8分割模型来实现垃圾识别，主要是介绍如何用自定义的数据集来训练YOLOv8分割模型。那么训练好的模型该如何部署呢？YOLOv8分割模型相比检测模型多了一个实例分割的分支，部署的时候还需要做一些后处理操作才能得到分割结果。
本文将详细介绍如何使用onnxruntime框架来部署YOLOv8分割模型，为了方便理解，代码采用Python实现。

1. 准备工作

• 安装onnxruntime

  onnxruntime分为GPU版本和CPU版本，均可以通过pip直接安装：

  pip install onnxruntime-gpu  #安装GPU版本
  
  pip install onnxruntime  #安装CPU版本
  

  注意: GPU版本和CPU版本建议只选其中一个安装，否则默认会使用CPU版本。

• 下载YOLOv8分割模型权重

  Ultralytics官方提供了用COCO数据集训练的模型权重，我们可以直接从官方网站https://docs.ultralytics.com/tasks/segment/下载使用，本文使用的模型为yolov8m-seg.pt。

  

• 转换onnx模型

  调用下面的命令可以把YOLOv8m-seg.pt模型转换为onnx格式的模型：

  yolo task=segment mode=export model=yolov8m-seg.pt format=onnx
  

  转换成功后得到的模型为yolov8m-seg.onnx。

2. 模型部署

2.1 加载onnx模型

首先导入onnxruntime包，然后调用其API加载模型即可:

import onnxruntime as ort

session = ort.InferenceSession("yolov8m-seg.onnx", providers=["CUDAExecutionProvider"])

因为我使用的是GPU版本的onnxruntime，所以providers参数设置的是"CUDAExecutionProvider"；如果是CPU版本，则需设置为"CPUExecutionProvider"。

模型加载成功后，我们可以查看一下模型的输入、输出层的属性：

for input in session.get_inputs():
    print("input name: ", input.name)
    print("input shape: ", input.shape)
    print("input type: ", input.type)

for output in session.get_outputs():
    print("output name: ", output.name)
    print("output shape: ", output.shape)
    print("output type: ", output.type)

结果如下：

input name:  images
input shape:  [1, 3, 640, 640]
input type:  tensor(float)
output name:  output0
output shape:  [1, 116, 8400]
output type:  tensor(float)
output name:  output1
output shape:  [1, 32, 160, 160]
output type:  tensor(float)

从上面的打印信息可以知道，模型有一个尺寸为[1, 3, 640, 640]的输入层和两个尺寸分别为[1, 116, 8400]和[1, 32, 160, 160]的输出层。

2.2 数据预处理

数据预处理采用OpenCV和Numpy实现，首先导入这两个包

import cv2
import numpy as np

用OpenCV读取图片后，把数据按照YOLOv8的要求做预处理

image = cv2.imread("soccer.jpg")
image_height, image_width, _ = image.shape
input_tensor = prepare_input(image, model_width, model_height)
print("input_tensor shape: ", input_tensor.shape)

其中预处理函数prepare_input的实现如下：

def prepare_input(bgr_image, width, height):
    image = cv2.cvtColor(bgr_image, cv2.COLOR_BGR2RGB)
    image = cv2.resize(image, (width, height)).astype(np.float32)
    image = image / 255.0
    image = np.transpose(image, (2, 0, 1))
    input_tensor = np.expand_dims(image, axis=0)
    return input_tensor

处理流程如下：

1. 把OpenCV读取的BGR格式的图片转换为RGB格式；
2. 把图片resize到模型输入尺寸640x640；
3. 对像素值除以255做归一化操作；
4. 把图像数据的通道顺序由HWC调整为CHW；
5. 扩展数据维度，将数据的维度调整为NCHW。

经过预处理后，输入数据input_tensor的维度变为[1, 3, 640, 640]，与模型的输入尺寸一致。

2.3 模型推理

输入数据准备好以后，就可以送入模型进行推理：

outputs = session.run(None, {session.get_inputs()[0].name: input_tensor})

前面我们打印了模型的输入输出属性，可以知道模型有两个输出分支，其中一个output0是目标检测分支，另一个output1则是实例分割分支，这里打印一下它们的尺寸看一下

#squeeze函数是用于删除shape中为1的维度，对output0做transpose操作是为了方便后续操作
output0 = np.squeeze(outputs[0]).transpose()
output1 = np.squeeze(outputs[1])
print("output0 shape:", output0.shape)
print("output1 shape:", output1.shape)

结果如下：

output0 shape: (8400, 116)
output1 shape: (32, 160, 160)

处理后目标检测分支的维度为[8400, 116]，表示模型总共可以检测出8400个目标（大部分是无效的目标），每个目标包含116个参数。刚接触YOLOv8分割模型的时候可能会对116这个数字感到困惑，这里有必要解释一下：每个目标的参数包含4个坐标属性（x,y,w,h）、80个类别置信度和32个实例分割参数，所以总共是116个参数。实例分割分支的维度为[32, 160, 160]，其中第一个维度32与目标检测分支中的32个实例分割参数对应，后面两个维度则由模型输入的宽和高除以4得到，本文所用的模型输入宽和高都是640，所以这两个维度都是160。

2.4 后处理

首先把目标检测分支输出的数据分为两个部分，把实例分割相关的参数从中剥离。

boxes = output0[:, 0:84]
masks = output0[:, 84:]
print("boxes shape:", boxes.shape)
print("masks shape:", masks.shape)

boxes shape: (8400, 84)
masks shape: (8400, 32)

然后实例分割这部分数据masks要与模型的另外一个分支输出的数据output1做矩阵乘法操作，在这之前要把output1的维度变换为二维。

output1 = output1.reshape(output1.shape[0], -1)
masks = masks @ output1
print("masks shape:", masks.shape)

masks shape: (8400, 25600)

做完矩阵乘法后，就得到了8400个目标对应的实例分割掩码数据masks，可以把它与目标检测的结果boxes拼接到一起。

detections = np.hstack([boxes, masks])
print("detections shape:", detections.shape)

detections shape: (8400, 25684)

到这里读者应该就能理解清楚了，YOLOv8模型总共可以检测出8400个目标，每个目标的参数包含4个坐标属性（x,y,w,h）、80个类别置信度和一个160x160=25600大小的实例分割掩码。

由于YOLOv8模型检测出的8400个目标中有大量的无效目标，所以先要通过置信度过滤去除置信度低于阈值的目标，对于满足置信度满足要求的目标还需要通过非极大值抑制（NMS）操作去除重复的目标。

objects = []
for row in detections:
    prob = row[4:84].max()
    if prob < 0.5:
        continue
    class_id = row[4:84].argmax()
    label = COCO_CLASSES[class_id]
    xc, yc, w, h = row[:4]
    // 把x1, y1, x2, y2的坐标恢复到原始图像坐标
    x1 = (xc - w / 2) / model_width * image_width
    y1 = (yc - h / 2) / model_height * image_height
    x2 = (xc + w / 2) / model_width * image_width
    y2 = (yc + h / 2) / model_height * image_height
    // 获取实例分割mask
    mask = get_mask(row[84:25684], (x1, y1, x2, y2), image_width, image_height)
    // 从mask中提取轮廓
    polygon = get_polygon(mask, x1, y1)
    objects.append([x1, y1, x2, y2, label, prob, polygon, mask])

// NMS
objects.sort(key=lambda x: x[5], reverse=True)
results = []
while len(objects) > 0:
    results.append(objects[0])
    objects = [object for object in objects if iou(object, objects[0]) < 0.5]

这里重点讲一下获取实例分割掩码的过程。

前面说了每个目标对应的实例分割掩码数据大小为160x160，但是这个尺寸是对应整幅图的掩码。对于单个目标来说，还要从这个160x160的掩码中去截取属于自己的掩码，截取的范围由目标的box决定。上面的代码得到的box是相对于原始图像大小，截取掩码的时候需要把box的坐标转换到相对于160x160的大小，截取完后再把这个掩码的尺寸调整回相对于原始图像大小。截取到box大小的数据后，还需要对数据做sigmoid操作把数值变换到0到1的范围内，也就是求这个box范围内的每个像素属于这个目标的置信度。最后通过阈值操作，置信度大于0.5的像素被当做目标，否则被认为是背景。

具体实现的代码如下：

def get_mask(row, box, img_width, img_height):
  mask = row.reshape(160, 160)
  x1, y1, x2, y2 = box
  // box坐标是相对于原始图像大小，需转换到相对于160*160的大小
  mask_x1 = round(x1 / img_width * 160)
  mask_y1 = round(y1 / img_height * 160)
  mask_x2 = round(x2 / img_width * 160)
  mask_y2 = round(y2 / img_height * 160)
  mask = mask[mask_y1:mask_y2, mask_x1:mask_x2]
  mask = sigmoid(mask)
  // 把mask的尺寸调整到相对于原始图像大小
  mask = cv2.resize(mask, (round(x2 - x1), round(y2 - y1)))
  mask = (mask > 0.5).astype("uint8") * 255
  return mask

这里需要注意的是，160x160是相对于模型输入尺寸为640x640来的，如果模型输入是其他尺寸，那么上面的代码需要做相应的调整。

如果需要检测的是下面这个图片：

通过上面的代码可以得到最左边那个人的分割掩码为

但是我们需要的并不是这样一张图片，而是需要用于表示这个目标的轮廓，这可以通过OpenCV的findContours函数来实现。findContours函数返回的是一个用于表示该目标的点集，然后我们可以在原始图像中用fillPoly函数画出该目标的分割结果。

全部目标的检测与分割结果如下：

3. 一点其他的想法

从前面的部署过程可以知道，做后处理的时候需要对实例分割的数据做矩阵乘法、sigmoid激活、维度变换等操作，实际上这些操作也可以在导出模型的时候集成到onnx模型中去，这样就可以简化后处理操作。

首先需要修改ultralytics代码仓库中ultralytics/nn/modules/head.py文件的代码，把Segment类Forward函数最后的代码修改为：

if self.export:
    output1 = p.reshape(p.shape[0], p.shape[1], -1)
    boxes = x.permute(0, 2, 1)
    masks = torch.sigmoid(mc.permute(0, 2, 1) @ output1)
    out = torch.cat([boxes, masks], dim=2)
    return out
else:
    return (torch.cat([x[0], mc], 1), (x[1], mc, p))

然后修改ultralytics/engine/exporter.py文件中torch.onnx.export的参数，把模型的输出数量改为1个。

代码修改完成后，执行命令pip install -e '.[dev]'使之生效，然后再重新用yolo命令导出模型。用netron工具可以看到模型只有一个shape为[1,8400,25684]的输出。

这样在后处理的时候就可以直接去解析box和mask了，并且mask的数据不需要进行sigmoid激活。

4. 参考资料

• How to implement instance segmentation using YOLOv8 neural network
• https://github.com/AndreyGermanov/yolov8_segmentation_python