3ms 完成 ResNet50 推理，OpenCV 4.7 在华为昇腾下超越苹果 M1

果粉控 1 月 18 日消息，英特尔开源计算机视觉库?OpenCV 4.7?于去年 12 月正式发布。新版本带来了全新的 ONNX 层，大大提高了 DNN 代码的卷积性能，还为 DNN 模块提供了华为昇腾 CANN?后端支持。

根据?OpenCV 中国团队的最新测试，基于昇腾异构计算架构 CANN 的加速能力，用 OpenCV Zoo 中的 PP-ResNet50、MobileNet 和 YOLOX 对 CANN 后端进行了测试，发现三个模型在 CANN 后端下分别达到了 3.29ms，1.21ms，12.80ms 的优异结果。

同时，CANN 后端的推理结果也与默认 CPU 后端的基本保持一致。使用 OpenCV，用户只需下面 7 行 Python 代码，无需学习 CANN 的 API，就可以简洁地调用起昇腾 AI 处理器，实现神经网络加速推理（核心为第三、四行代码，其余为常见模型推理逻辑代码）：

import?cv2?as?cvnet?=?cv.dnn.readNet("/path/to/model.onnx")net.setPreferableBackend(cv.dnn.DNN_BACKEND_CANN)net.setPreferableTarget(cv.dnn.DNN_TARGET_NPU)input?=?cv.imread("/path/to/image.jpg")net.setInput(cv.dnn.blobFromImage(input))out?=?net.forward()

▲?使用 CANN 后端推理的示例代码

南方科技大学计算机系的于仕琪老师表示，把 OpenCV 针对 ARM CPU?进行了 winograd conv 等优化，在苹果标杆 CPU M1 上完成 ResNet50 推理都要跑?20ms 以上，而华为昇腾仅用了?3.29ms。

果粉控了解到，昇腾 CANN（Compute Architecture for Neural Networks）是华为针对 AI 场景推出的异构计算架构。昇腾 CANN 支持昇思 MindSpore，OpenCV DNN，飞桨 Paddle、PyTorch、TensorFlow 等神经网络推理和训练框架，并兼容多种底层硬件设备。