作者：广州神州数码信息科技有限公司 周日升

英特尔®酷睿™Ultra处理器是英特尔公司推出的一个高端处理器品牌，其第一代产品基于Meteor Lake架构，使用Intel 4制程，单颗芯片封装了 CPU、GPU(Intel® Arc™ Graphics)和 NPU(Intel® AI Boost)，具有卓越的AI性能。

本文将详细介绍使用 OpenVINO ™工具套件在 英特尔®酷睿™Ultra处理器上实现对 YOLOv8 模型的 INT8量化和部署。

阅读前，请读者先克隆本文的范例代码到本地：

git clone https://gitee.com/zhourisheng_0/xmini_yolov8.git

第一步：环境搭建

首先 ，请下载并安装最新版的NPU和显卡驱动：

1. NPU 驱动： https://www.intel.cn/content/www/cn/zh/download/794734/intel-npu-driver-windows.html
2. 显卡驱动： https://www.intel.cn/content/www/cn/zh/download/785597/intel-arc-iris-xe-graphics-windows.html

然后 ，请 下载并安装Anaconda ，然后创建并激活名为npu的虚拟环境：

conda create -n npu python=3.11                          #创建虚拟环境
conda activate npu                                       #激活虚拟环境
python -m pip install --upgrade pip              #升级pip到最新版本

最后 ，请安装openvino、nncf、onnx和ultralytics：

pip install openvino nncf onnx ultralytics

第二步：导出yolov8s 模型并实现INT8量化

使用yolo命令导出yolov8s.onnx模型：

yolo export model=yolov8s.pt format=onnx

使用ovc命令导出OpenVINO格式，FP16精度的yolov8s模型

ovc yolov8s.onnx

使用benchmark_app程序依次测试FP16精度的yolov8s模型在CPU，GPU和NPU上的AI推理性能，结果如下图所示：

benchmark_app -m yolov8s.xml -d CPU   #此处依次换为GPU，NPU

用NNCF 实现yolov8s模型的INT8量化

NNCF全称Neural Network Compression Framework，是一个实现神经网络 训 练后量化(post-training quantization)和训练期间压缩(Training-Time Compression)的开源工具包，如下图所示，通过对神经网络权重的量化和压缩以最低精度损失的方式实现推理计算的优化和加速。

NNCF提供的量化和压缩算法

在上述量化和压缩算法中， 训 练后INT8量化(Post-Training INT8 Quantization)是在工程实践中应用最广泛的，它无需重新训练或微调模型，就能实现模型权重的INT8量化，在获得显著的性能提升的同时，仅有极低的精度损失，而且使用简便。

用NNCF实现YOLOv8s模型INT8量化的范例代码yolov8_PTQ_INT8.py，如下所示：

import torch, nncf
import openvino as ov
from torchvision import datasets, transforms
# Specify the path of model and dataset
model_dir = r"yolov8s.xml"
dataset = r"val_dataset"
# Instantiate your uncompressed model
model = ov.Core().read_model(model_dir)
# Provide validation part of the dataset to collect statistics needed for the compression algorithm
val_dataset = datasets.ImageFolder(dataset, transform=transforms.Compose([transforms.ToTensor(),transforms.Resize([640, 640])]))
dataset_loader = torch.utils.data.DataLoader(val_dataset, batch_size=1)
# Step 1: Initialize transformation function
def transform_fn(data_item):
    images, _ = data_item
    return images.numpy()
# Step 2: Initialize NNCF Dataset
calibration_dataset = nncf.Dataset(dataset_loader, transform_fn)
# Step 3: Run the quantization pipeline
quantized_model = nncf.quantize(model, calibration_dataset)
# Step 4: Save the INT8 quantized model
ov.save_model(quantized_model, "yolov8s_int8.xml")

运行yolov8_PTQ_INT8.py，执行结果如下所示：

使用benchmark_app程序依次测试INT8精度的yolov8s模型在CPU，GPU和NPU上的AI推理性能，结果如下图所示：

benchmark_app -m yolov8s_int8.xml -d CPU   #此处依次换为GPU，NPU

从上图可以看出，yolov8s模型经过INT8量化后，相比FP16精度模型，无论在Latency还是Throughput上，都有明显提升。

第三步：编写YOLOv8 推理程序

yolov8目标检测模型使用letterbox算法对输入图像进行 保持原始宽高比 的放缩，据此，yolov8目标检测模型的预处理函数实现，如下所示：

from ultralytics.data.augment import LetterBox
# 实例化LetterBox
letterbox = LetterBox()
# 预处理函数
def preprocess_image(image: np.ndarray, target_size=(640, 640))->np.ndarray:
    image = letterbox(image)    #YOLOv8用letterbox按保持图像原始宽高比方式放缩图像
    blob = cv2.dnn.blobFromImage(image, scalefactor=1 / 255, size=target_size, swapRB=True)
    return blob

yolov8 目标检测模型的后处理函数首先用非极大值抑制 non_max_suppression() 算法去除冗余候选框，然后根据 letterbox 的放缩方式，用 scale_boxes() 函数将检测框的坐标点还原到原始图像上，如下所示：

# 后处理函数: 从推理结果[1,84,8400]的张量中拆解出：检测框，置信度和类别
def postprocess(pred_boxes, input_hw, orig_img, min_conf_threshold = 0.25,
                 nms_iou_threshold = 0.7, agnosting_nms = False, max_detections = 300):
    # 用非极大值抑制non_max_suppression()算法去除冗余候选框
    nms_kwargs = {"agnostic": agnosting_nms, "max_det":max_detections}
    pred = ops.non_max_suppression(
        torch.from_numpy(pred_boxes),
        min_conf_threshold,
        nms_iou_threshold,
        nc=80,
        **nms_kwargs
    # 用scale_boxes()函数将检测框的坐标点还原到原始图像上
    shape = orig_img.shape
    pred[:, :4] = ops.scale_boxes(input_hw, pred[:, :4], shape).round()
    return pred

完整代码详细参见：yolov8_infer_ov.py，其运行结果如下所示：

英特尔®酷睿™Ultra处理器内置了CPU、GPU和NPU，相比之前，无论是能耗比、显卡性能还是AI性能，都有显著提升；通过OpenVINO™和NNCF，可以方便快捷实现AI模型的优化和INT量化，以及本地化部署，获得非常不错的端侧AI推理性能。