关于人工智能:8月AI实战工业视觉缺陷检测-基于tflite的yolov8模型优化和推理

8 月 AI 实战：工业视觉缺点检测

– 基于 tflite 的 yolov8 模型优化和推理

操作视频见 B 站连贯：aidlux 模型优化 + 工业缺点检测～～完满用我的华为手机实现缺点检测的推理 bilibiliaidlux 模型优化 + 工业缺点检测～～完满用我的华为手机实现缺点检测的推理

1 模型优化

将 onnx 模型转化为 tflite 模型

 关上网站：http://aimo.aidlux.com/
输出试用账号和明码：账号：AIMOTC001，明码：AIMOTC001

通过页面中的提醒 AI Model Optimizer，顺次执行步骤①上传模型②抉择指标平台③参数设置④转换后果。

通过上述①-④可将 onnx 模型转为 tflite 模型

模型转换过程蕴含如下日志信息

2023-09-07 19:47:05,969 - INFO : Optimization started.
2023-09-07 19:47:05,970 - INFO : [ONNX-SIM] Clean ONNX Model input node.
2023-09-07 19:47:06,733 - INFO : [ONNX2TFLITE] Start converting to TFLITE.
2023-09-07 19:47:28,511 - INFO : Model optimization done.

2 推理的 py 文件

模型采纳课程中提供的 yolov8_slimneck_SIOU.ONNX，转化完模型门路及名称，如下

# 模型
model_path = "/home/lesson3/yolov8_slimneck_SIOU_tflite/yolov8_slimneck_SIOU_fp32.tflite"
# 测试图片门路
image_path = "/home/lesson3/test"

模型推理过程蕴含如下步骤：

初始化 aidlite 类并创立 aidlite 对象

aidlite = aidlite_gpu.aidlite()
print("ok")

加载模型

value = aidlite.ANNModel(model_path, [640 * 640 * 3 * 4], [8400 * 11 * 4], 4, 0)
print("gpu:", value)

蕴含遍历每一张图片

for root, dirs, files in os.walk(image_path):
    num = 0
    for file in files:
        file = os.path.join(root, file)
         frame = cv2.imread(file)
         x_scale = frame.shape[1] / 640
         y_scale = frame.shape[0] / 640

将图片转换为模型输出的 640*640 尺寸

img = cv2.resize(frame, (640, 640))
# img_copy=img.co
img = img / 255.0
img = np.expand_dims(img, axis=0)
img = img.astype(dtype=np.float32)
print(img.shape)

传入模型输出数据

aidlite.setInput_Float32(img)

执行推理

start = time.time()
aidlite.invoke()
end = time.time()
timerValue = 1000 * (end - start)
print("infer time(ms):{0}", timerValue)

获取输入

pred = aidlite.getOutput_Float32(0)
# print(pred.shape)
pred = np.array(pred)
print(pred.shape)
pred = np.reshape(pred, (8400, 11))
print(pred.shape)  # shape=(8400,11)

后处理, 解析输入

boxes, scores, classes = postProcess(pred, confThresh, NmsThresh)

绘制保留图像

ret_img = draw(frame, x_scale, y_scale, boxes, scores, classes)
ret_img = ret_img[:, :, ::-1]
num += 1
image_file_name = "/home/result/res" + str(num) + ".jpg"

8. 保留图片

cv2.imwrite(image_file_name, ret_img)