五行關(guān)鍵代碼實(shí)現(xiàn)的零拷貝技術(shù) | 開發(fā)者實(shí)戰(zhàn)

作者：馮浩? ?遼寧科技大學(xué) 研究生

1. 引言

1.1?OpenVINO? 簡介

圖 1.1.1 OpenVINO?

OpenVINO?（Open Visual Inference & Neural Network Optimization）是由英特爾開發(fā)的一個(gè)開源計(jì)算機(jī)視覺和深度學(xué)習(xí)工具套件。它旨在幫助開發(fā)者和研究人員優(yōu)化他們的計(jì)算機(jī)視覺和深度學(xué)習(xí)模型，以便在英特爾的硬件平臺(tái)上獲得更高的性能。

OpenVINO? 提供了一系列的工具和庫，包括 OpenVINO SDK、OpenVINO API、OpenVINO Tools 等，以支持開發(fā)者和研究人員在英特爾的處理器、GPU、FPGA 等硬件平臺(tái)上進(jìn)行模型的推理和優(yōu)化。OpenVINO? 還提供了對(duì)各種深度學(xué)習(xí)框架的支持，如 TensorFlow、PyTorch、Keras 等，使得開發(fā)者可以輕松地將自己的模型部署到英特爾的硬件平臺(tái)上。

OpenVINO? 的設(shè)計(jì)目標(biāo)是提供高性能、高效率和低延遲的視覺智能推理，使得計(jì)算機(jī)視覺和深度學(xué)習(xí)模型可以在各種設(shè)備和場景中得到廣泛應(yīng)用，包括智能城市、智能交通、智能醫(yī)療、智能安防等領(lǐng)域。

OpenVINO? 是一個(gè)活躍的開源項(xiàng)目，吸引了眾多的開發(fā)者和研究人員參與其中，不斷地優(yōu)化和完善其功能和性能。

1.2Resnet50 簡介

圖 1.2.1 Resnet

ResNet-50 是一種深度學(xué)習(xí)模型，屬于卷積神經(jīng)網(wǎng)絡(luò)（CNN）的一種。它是微軟研究院的研究人員于 2015 年提出的一種模型，是 ResNet（殘差網(wǎng)絡(luò)）的一種變體。ResNet-50 被廣泛應(yīng)用于計(jì)算機(jī)視覺任務(wù)中，如圖像分類、目標(biāo)檢測和語義分割等。

ResNet-50 模型具有 50 層，其中包括 49 個(gè)卷積層和 4 個(gè)池化層。它采用了殘差學(xué)習(xí)的思想，即在每一層中添加一個(gè)或多個(gè)殘差塊，使得模型可以更好地學(xué)習(xí)圖像的特征。這種設(shè)計(jì)使得 ResNet-50 模型可以有效地提取圖像的特征，提高了模型的性能和準(zhǔn)確度。

ResNet-50 模型在一些公開的圖像識(shí)別數(shù)據(jù)集上取得了很好的成績，如 ImageNet 數(shù)據(jù)集。它也經(jīng)常被用作其他深度學(xué)習(xí)模型的預(yù)訓(xùn)練模型，用于提取圖像的特征。由于其深度和性能，ResNet-50 模型在計(jì)算機(jī)視覺領(lǐng)域中被廣泛使用，并且已經(jīng)成為了一種標(biāo)準(zhǔn)的模型之一。

1.3 ffmpeg libraries 簡介

FFmpeg Libraries 是一組強(qiáng)大的開源庫，用于處理視頻和音頻數(shù)據(jù)。它們是 FFmpeg 項(xiàng)目的一部分，提供了一系列的功能，包括音視頻編解碼、格式轉(zhuǎn)換、過濾和播放等。這些庫是用 C 語言編寫的，具有高度的可移植性和效率，可以在多種操作系統(tǒng)和硬件平臺(tái)上使用。

FFmpeg Libraries 由于其強(qiáng)大的功能和靈活性，被廣泛應(yīng)用于視頻播放器、視頻編輯軟件、流媒體服務(wù)器、視頻分析工具等項(xiàng)目中。它們是多媒體處理領(lǐng)域的重要工具，對(duì)于開發(fā)高質(zhì)量的音視頻應(yīng)用程序至關(guān)重要。

1.4?文章目的與結(jié)構(gòu)安排

本篇文章將詳細(xì)闡述如何使用 Resnet50 模型進(jìn)行部署，并展示如何利用 OpenVINO? 框架結(jié)合異步推理及零拷貝技術(shù)，從而提高 Resnet50 模型的推理速度。此外，為了讓讀者更好地理解和掌握相關(guān)知識(shí)，文章還將提供一個(gè)典型示例供讀者參考，以便更好地掌握 Resnet50 模型的推理部署方法。

2. 異步推理與零拷貝技術(shù)概述

2.1異步推理的概念與優(yōu)勢

異步推理 (Asynchronous Inference) 顧名思義，也就是在調(diào)用執(zhí)行推理的這個(gè)代碼塊的時(shí)候并不會(huì)等待模型推理的結(jié)束并且阻塞當(dāng)前的線程，而是直接越過當(dāng)前需要的等待代碼（類似于 I/O 操作）塊繼續(xù)執(zhí)行下面的代碼。

圖 2.1 異步推理偽代碼圖

一般的 AI 視覺模型推理一般存在三個(gè)步驟。其一是預(yù)處理，將原始數(shù)據(jù)圖像數(shù)據(jù)進(jìn)行 resize、letterbox、顏色通道轉(zhuǎn)換(BGR->RGB、RGBA->RGB)、padding 等各種預(yù)處理操作以符合模型輸入要求；其二是將預(yù)處理好的數(shù)據(jù)傳入后調(diào)用底層的框架進(jìn)行模型推理；其三是將模型輸出的結(jié)果進(jìn)行一個(gè)后處理(例如解析 raw 數(shù)據(jù)、進(jìn)行 NMS 等操作)。在多次的對(duì)比實(shí)驗(yàn)中我們發(fā)現(xiàn)前面的三個(gè)步驟只有第二個(gè)耗時(shí)最多并且阻塞線程，故我們考慮采用異步推理的模式。

2.2零拷貝技術(shù)的概念與優(yōu)勢

圖 2.2.1 零拷貝原理圖

傳統(tǒng)意義上的零拷貝技術(shù)是指在數(shù)據(jù)傳輸過程中，避免不必要的數(shù)據(jù)復(fù)制操作，以提高數(shù)據(jù)傳輸?shù)男省Ｔ谟?jì)算機(jī)系統(tǒng)中，數(shù)據(jù)通常存儲(chǔ)在內(nèi)存中，而在進(jìn)行輸入輸出（I/O）操作時(shí)，數(shù)據(jù)需要在應(yīng)用程序的地址空間和操作系統(tǒng)內(nèi)核的地址空間之間進(jìn)行傳遞。零拷貝技術(shù)的目標(biāo)是盡可能減少或消除這些數(shù)據(jù)拷貝的開銷。

常見的零拷貝應(yīng)用技術(shù)：

1. 用戶空間和內(nèi)核空間的數(shù)據(jù)傳遞：

傳統(tǒng)的 I/O 操作通常涉及將數(shù)據(jù)從用戶空間復(fù)制到內(nèi)核空間，或者反之。零拷貝技術(shù)通過直接在用戶空間和內(nèi)核空間之間傳遞指針或描述符，而不是復(fù)制數(shù)據(jù)，來避免數(shù)據(jù)的多余拷貝。

2. 文件映射（Memory-mapped files）：

零拷貝技術(shù)可以通過內(nèi)存映射文件的方式，將文件直接映射到應(yīng)用程序的地址空間中。這樣，應(yīng)用程序可以直接在內(nèi)存中訪問文件數(shù)據(jù)，而無需進(jìn)行額外的數(shù)據(jù)復(fù)制。

3. 直接內(nèi)存訪問（DMA）：

零拷貝技術(shù)可以利用直接內(nèi)存訪問來避免 CPU 的介入，直接在設(shè)備和內(nèi)存之間傳輸數(shù)據(jù)。這減少了 CPU 的拷貝操作，提高了數(shù)據(jù)傳輸?shù)男省?/p>

4. 數(shù)據(jù)發(fā)送和接收緩沖區(qū)的優(yōu)化：

通過優(yōu)化數(shù)據(jù)發(fā)送和接收緩沖區(qū)的管理，可以減少或避免數(shù)據(jù)的復(fù)制。例如，通過使用環(huán)形緩沖區(qū)或共享內(nèi)存，可以實(shí)現(xiàn)零拷貝。

5. 網(wǎng)絡(luò)數(shù)據(jù)傳輸?shù)牧憧截悾?/strong>

auto id = (VASurfaceID)(std::size_t)frame->data[3];auto va_context = ov_compiled_model.get_context().as<ov::intel_gpu::ocl::VAContext>();auto Nvtensor = va_context.create_tensor_nv12(iHeight, iWidth, id);Infer_request.set_input_tensor(0, nvTensor.first); ? ?// Y planeInfer_request.set_input_tensor(1, nvTensor.second); ? // UV plane