【YOLOv8量化】普通CPU上加速推理可达100+FPS

本文主要是介绍【YOLOv8量化】普通CPU上加速推理可达100+FPS，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

NNCF介绍

OpenVINO2023版本衍生出了一个新支持工具包NNCF(Neural Network Compression Framework – 神经网络压缩框架)，通过对OpenVINO IR格式模型的压缩与量化更好的提升模型在OpenVINO框架上部署的推理性能，github。

https://github.com/openvinotoolkit/nncf

安装NNCF

pip install nncf

NNCF关键特性

训练后压缩算法支持权重压缩与量化，训练时压缩算法支持感知量化、混合精度量化、二值、稀疏、过滤剪枝、运动剪枝等算法。图示如下：

YOLOv8量化压缩

基于NNCF实现YOLOv8预训练模型的训练后量化压缩（PTQ），实现INT8量化YOLOv8模型生成。首先需要使用YOLOv8命令行工具导出OpenVINO格式模型，命令行如下：

yolo export model=yolov8n.pt format=openvino

然后基于YOLOv8框架的函数构建一个YOLOv8模型对应的COCO数据集的Validator，相关的代码如下：

官方给出的代码里面是有个ValidatorClass，但是我发现YOLOv8框架早已经不支持，这里其实主要是构建自己的Dataset跟DataLoader而已，简单粗暴的点是可以自己直接构建，就是要写点代码。我发现了YOLOv8框架里面有个DetectionValidator是可以用的，于是我就用这个，然后直接给一个图像文件夹就可以获取dataloader实例了。准备好验证数据以后，就是最后一步了，启动模型INT8量化，相关的代码如下：

这样就可以完成PTQ量化模型的生成。最后这部分的代码，其实在GITHUB的官方教程上是有说明跟给出的，我这里再贴一下：


就是说，实际上针对自定义数据集，你自己构建一个DataLoader即可。
量化版YOLOv8推理测试

基于YOLOv8 INT8量化模型，OpenVINO C++ SDK在不同的部署与加速方式下，最终的测试结果如下：




从此，我又相信YOLOv8+OpenVINO了。

特别说明

OpenVINO20023.1版本测试。
学会使用最新版本OpenVINO框架实现模型加速，请看本人新书
《OpenCV应用开发：入门、进阶与工程化实践》
第十五章相关内容！！！！

这篇关于【YOLOv8量化】普通CPU上加速推理可达100+FPS的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！

---