作者：僑光科技大學 助理教授 陈纪翰

由于工业科技快速发展，环境议题一直备受讨论与重视;近几年，由于边缘运算、AI、硬件加速与无人机等技术趋于成熟，公民营机构--尤以公部门为首--开始思考是否能借助科技的力量来进行环境工程，本文即以AI对象分割技术作为技术基础，配合台中市环保局河川扬尘防治计划进行河床地貌影像分割。

所谓河川扬尘，是指河床上的沙尘、泥土或微小颗粒物在风力作用下被扬起并悬浮在空气中，好发期甚至可能造成PM 2.5大幅上升，因此**相关局处会计划每年以无人机进行河道巡检，配合人力挑选出大面积砂源分布位置，进行防砂网或配置水线等防治措施，本项目即将此改由 AI 识别并标定出大面积砂源位置。



要执行此技术，在执行模型布署及推论时会面对二个主要问题：1. 在无人机飞行途中执行识别必须至少能达到实时执行的推论速度;2. 在河川附近不会有电源配置，需自行携带电瓶，因此电力消耗也是一项重要议题。

本文以Yolo v5 x [1]模型为例，进行对象分割（segmentation），以 STCN[2]模型进行影像汇整，并于搭载 Intel Arc Pro A40 GPU 的iEi TANK-XM811工业电脑上进行现地布署，测试结果每帧（640 x 640）推论时间平均64 ms （官方公布CPU执行数据为 1579 ms） ，达到可实时执行的规格，而Intel Arc Pro A40 GPU的峰值功率为 50w，优于目前一般市面上的 GPU 卡。



官方公布的 YOLOv5-seg 执行数据，其中 5x 以 onnx 在 CPU 执行的速度为每帧 1579 ms，我们经过 OpenVINO优化加上 GPU 加速后实测数据到达每帧 64 m****r/>

硬件介绍与搭建环境
iEi TANK-XM811工业电脑

TANK-XM811 是威强电工业计算机IEI专为严苛环境以及AI边缘运算所打造的工业电脑[3]，主打三个特色：

· 搭载Intel Core 第12或13代处理器（最高至 4.8 GHz， 16-core， 35W TDP）。
· 弹性扩充 PCIe，支持扩充GPU、NVMe SSD，并且可使用IEI的eChassis模块拓展所需要的运算卡。
· 高强度外壳设计、无风扇冷却系统、12V~28V 输入电压、-20°C ~ +60°C 操作温度。

Intel® Arc™ Pro A40 显示芯片

Intel ArcPro A40是Intel推出专为专业用户所推出的GPU [4] ，内置光线追踪硬件、显示芯片加速和机器学习功能，具有 6 GB GDDR6 的 VRAM，4 个 mini-DP 2.0，可支持2个8K60Hz或是4个4K60Hz的屏幕。 具有小巧的体积以及50w TDP，可让其轻松装进小体积的工业电脑。

安装系统、驱动、设置环境以及安装OpenVINO环境

推荐安装Ubuntu 23.04 Desktop

笔者起初安装Ubuntu 22.04 LTS后，频繁发生Kernel冻结的问题，官方推荐改用Ubuntu 23.04[5]，系统内已经内建Intel Arc Pro A40等驱动，且执行状况稳定，因此推荐直接安装Ubuntu 23.04，可以省去许多麻烦。

安装Intel Edge Insights for Vision （EIV）

EIV[6]是 Intel 官方特别为GPU提供的执行环境，其将执行GPU、iGPU所需的环境都包在Docker中，并提供OpenVINO Jupyter notebook，在此环境中可以直接使用 GPU、iGPU甚至协作进行模型推论，搭配OpenVINO Jupyter notebook中编号 109- throughput-tricks.ipynb中模型优化的教学，用户可轻松在此环境中将模型推论速度大幅提升，使用此资源库做为开发基底，可让开发者省去很多摸索时间，并且大幅提升模型推论速度。

安装方式如下：

1.1 建立工作目录

cd ~
mkdir workspace
cd workspace

1.2. 建立虚拟环境

conda create -n intel-eiv python=3.10
conda activate intel-eiv

1.3. 安装git和下载所需档案

sudo apt -y install git
git clone https://github.com/intel/edge-insights-vision.git">https://github.com/intel/edge-insights-vision.git

1.4. 安装依赖

cd edge-insights-vision
pip install -r requirements.txt

1.5. 安装EIV

python3 eiv_install.py

1.6. 直到出现Success代表安装成功
1.7. 检查驱动是否安***r/>

clinfo | grep 'Driver Version'

1.8. 安装notebook的依赖

cd ~/openvino_notebooks
pip install -r requirements.txt

1.9. 开启notebook

cd ~/workspace/edge-insights-vision
chmod +x launch_notebooks.sh
./launch_notebooks.sh

执行OpenVINO范例模型

当我们在 edge-insights-vision 文件夹底下执行 lauch_notebooks.sh 后，便会开启Jupyter Notebook 核心，**并贴上以下网址在浏览器即可打开Notebook。





想要快速试一下硬件的执行速度，我们可以直接运行Notebook中的108-gpu-device.ipynb，其范例模型选用 ssdlite_mobilenet_v2，这是一个轻量化且适合边缘装置执行的模型，而这个项目除了可以马上测试执行速度以外，也演示了使用 OpenVINO 需使用到的最重要基本技能，包含转 IR 格式、导入模型、编译模型、选择量化（FP32、FP16或INT8）以及 Latency / Through put 的优化都有带到，即便是初学者，详读此篇案例之后应该都能对OpenVINO有相当的熟悉程度。



                                   此段代码说明了用GPU执行，并且针对 troughput 进行优化

而我们这套硬件运行后如下图显示，使用 GPU执行速度来到551FPS。



                                         可以看到使用Intel Arc Pro A40的FPS与CPU有显著差异

河川地貌分析模型推论实测结果

接下来测试本项目河川地貌分析模型的推论过程，幸运的是，目前 yolo v5 [1]已经支持直接引入 IR 格式的模型进行推论，因此我们只要准备好 IR 格式模型即可直接执行。



segment/predict.py 内的说明文档，说明了只需将 IR 格式的文件存放在文件夹中（文件夹命名需以 _openvino_model 做结尾），并在执行时指定此文件夹即可进行推论。

首先，准备好已经训练好的 h5 或 pt 文件，若想要直接测试硬件效能的用户也可以直接下载官方提供的权重档，并且利用官方提供的 export.py 文件转换为 onnx 格式。



                    在 Readme 文档中有帮助如何利用 export.py 将 pt 文件转换为 onnx 文件。

接下来就可以回到 EIV 项目中提供的编号 102 pytorch_onnx_to_openvino.ipynb，将此 onnx 文件转为IR格式。



此部分代码说明如何转出 IR 格式的文件，其中 onnx_path 要指定上一步骤转出的 onnx 文件， compress_to_fp16若设定为True，则会以单精度 fp16 进行量化，未设定则为双精度 fp32。

接下来就需要稍微注意一下了，得到 IR 文件之后，由于 segmentation 需要在模型推论后执行后处理，因此，我们不在 ipynb 里面进行，而是回到 YOLO v5 项目中，然而，请留意， 由于GPU环境整个包在 docker 中，因此，建议直接在 EIV 启动界面中点击 Terminal，将路径指到 YOLO v5 项目，使用其中的 segment/predict.py 执行推论。


请在 EIV 项目的启动接口中点击 Ternimal，再将路径 cd 至 yolo v5 工程内运行 segmen/predict.py 。

然后就可以看到推论结果，我们这边输入 640×640 每帧平均花费 64 ms ，若跟官方公布的数据比较，官方每帧 1579 ms，超过 1 秒，这样的速度无法用在无人机飞行的应用上，而我们使用 GPU 加速后，即便是 segmentation 中最大的模型，也可以有至少 15 fps 的速度，此应用于悬翼式无人机的应用上已经绰绰有余。



另外，如果读者想要设定使用 CPU、GPU或IGPU，此部分代码写在 YOLO v5 项目中 model/segment/commom.py 中 399 行的位置，device_name 可以用来指定执行设备，另外也可以参考108-gpu-device.ipynb文件，补入{“PERFORMANCE_HINT”： “THROUGHPUT”} ，模型便会以 throughput 进行优化，最后我们来看看一下推论成果（拍摄地点为台中市大安溪近出海口处）：



                         YOLO v5 seg x 的推论结果，黄色是植被覆盖，红色是砾石，褐色是河川。

由于 YOLO 是以单帧为基础进行推论，因此我们进一步利用 STCN 进行时序关联上的优化，推论精准度提升相当多，影片中绿色是植披覆盖，红色是河川，黄色是砾石，蓝色是砂源，紫色是含水砂源。

结论

无人机配合 AI 视觉的技术在环境工程的应用十分广泛，然而，执行速度、功耗与模型精准度之间的取舍一直是个难题，但由于半导体技术以及材料加工的进步，让现在的工业电脑只需35~65w就可得到强悍的处理性能，本次搭载的Intel Arc Pro A40，只有50w TDP的功率以及小巧的体积。

本项目中多亏了加速设备，使得模型推论速度可以达到实时推论并且在户外使用，加上官方支持也趋于成熟，从模型开发完毕后到完成布署几乎只需几个步骤就可以完成，此对于急需 AI 边缘运算的应用开发者而言无非一大福音。

参考文献与资源网址：

https://github.com/ultralytics/yolov5/tree/master
Cheng, Ho Kei, Yu-Wing Tai, and Chi-Keung Tang. “Rethinking space-time networks with improved memory coverage for efficient video object segmentation.” Advances in Neural Information Processing Systems 34 (2021): 11781-11794.
IEI TANK-XM811 High-Performance 12th Generation Intel® Core™ Processor Fanless Embedded Computer
Exclusive review: Intel Arc Pro A40 / A50 : Exclusive review: Intel Arc Pro A40 / A50 - AEC Magazine
Ubuntu 23.04 : Ubuntu 23.04 (Lunar Lobster)
Edge Insights for Vision (EIV): https://github.com/intel/edge-insights-vision