參考文章
https://iam9527.pixnet.net/blog/ ... un-demo-application
OpenVino概念
圖改自https://www.learnopencv.com/using-openvino-with-opencv/#openvino-opencv
將已經練習好的深度進修model經過Model Optimizer優化後
(何謂優化請見下面Model Optimizer條目)
經過Inference Engine 跟 硬體(CPU/ GPU /VPU)
達到加快Inference 的目的
★ Model Optimizer
●摘錄自:【AI_Column】應用 Intel OpenVINO 土炮自駕車視覺系統
協助去除已練習好的模型中的冗餘參數，並可將 32bits 浮點數的參數降階，
以犧牲數個百分點正確率來換取推論速度提升數十倍到百倍。
●把深度進修框架Train出來的model, 轉換成 Inference Engine 可以用的IR file
今朝支援的深度學習框架有 Caffe*, TensorFlow*, MXNet*, and ONNX*.
●之前以為所有由Caffe*, TensorFlow*, MXNet*, and ONNX* 練習出的model
都可以由Model Optimizer轉換成IR file ，但看了 的Supported Models章節
好像不是這麼一回事，需找一個底下沒提到的model來實行看看
有結果我再更新
Supported Models
For the list of supported models refer to the framework or format specific page:
• Supported Caffe* models
• Supported TensorFlow* models
• Supported MXNet* models
• Supported ONNX* models
• Supported Kaldi* models
●有script可以 configure Model Optimizer 以導入
所有OpenVino supported的深度進修框架或單一深度進修框架
若要手動configure Model Optimizer也有文件可以參考 -> Model Optimizer Developer Guide.
★ IR file
包含train model的topology 跟weight，利用者只要知道如何將
練習好的model change to IR file，就能夠利用OpenVino加速Inference
★ Inference Engine
用來run 最好化後的深度進修model
C:\Program Files (x86)\Intel\openvino_2021.4.689\
deployment_tools\inference_engine\samples底下有放一些IE的samples
各Samples申明
延伸浏覽 → 如何run Inference Engine Samples
★ VPU plugin
這份文件仿佛在講怎樣的model能被vpu 支援
■OpenVino不提供Model Training
OpenVino的model來曆以我的理解就以下這幾種
1.本身用OpenVino supported的深度進修框架去train model
或去Model Zoo下載所需model
1. Caffe [ Model Zoo ]
2. Tensorflow [ Model Zoo ]
3. MxNet [ Model zoo ] 貫穿連接失效
4. Open Neural Network Exchange (ONNX) [ Model zoo ]
2.OpenVino裡面附的pre-trained model
不過紛歧定有相符你需求的
3.OpenCV DNN sample model
■相幹名詞
★ OpenVino用的是CNN( Convolutional Neural Networks )模子 ;
還包含了Deep Learning Deployment Toolkit (Intel® DLDT).
Convolution：影象->filter->擷掏出特徵，比如邊緣。
此種進程叫做Convolution
★ OpenCV和OpenVX有什么联系和区别？
★ 機械進修
機械學習理論首要是設計和闡發一些讓電腦可以自動進修的演算法。
機械學習演算法是一類從資猜中主動剖析取得紀律，並操縱紀律對未知資料進行展望的演算法。
★ 深度進修
是機器進修的分支。 深度進修框架對照
■如何安裝OpenVino
照著 安裝步調做即可 (英文看不懂請自行戰勝)
-------------------------------------------------------------------------------------------------------------------------------
上述的東西都認識之後，接下來最先DEMO OpenVino附的兩個script
■Run the Image Classification Verification Script
★在C:\Program Files (x86)\IntelSWTools\openvino\deployment_tools\demo下
可以找到demo_squeezenet_download_convert_run.bat。
這個demo利用squeezenet model 判斷照片中的Object屬於什麼種別
可判定的種別有一千種，有哪一千種可以看底下這個檔案
C:\Program Files (x86)\Intel\openvino_2021.4.689\
deployment_tools\demo\squeezenet1.1.labels
*路徑中的openvino_2019.1.148的2019.1.148這數字代表版本， 是以若安裝的OpenVino版本跟我分歧，那數字也會不同
*若安裝不只一個版本的OpenVino，分歧版本的OpenVino會有屬於自己的資料夾
而openvino那個捷徑會指向最後安裝的誰人版本
★這個batch的內容以下
Step1 : 下載SqueezeNet model (利用downloader.py)
Step2： 用 Model Optimizer 把SqueezeNet轉成IR file。
(利用mo.py)
Step3： Build Inference Engine samples
batch檔履行過程中， 會看到cmd 畫面卡在
Build Inference Engine samples using MS Visual Studio (MSBuild.exe)一段時間
請耐煩等候 。此步會產生 classification_sample.exe
Step4： 把car.png & IR file當作iInference Engine的input 來剖析car.png
↓This is car.png
↓針對照片中的Object，分類前十名的結果依序從Prob.高到低排列
分類成效最高分數是sport car
★重跑demo_squeezenet_download_convert_run.bat
跑過一次batch之後，若再執行一次batch，
因為某些檔案跑過一次batch以後就已存在了
batch裡的寫法偵測到某些檔案存在以後就會疏忽掉某些Step
若想要完全地再跑一次，需刪除以下檔案
●刪除model
C:\Users\$(username)\Documents\Intel\OpenVINO\openvino_models
\models\FP32\classification
底下全部squeezenet 資料夾刪掉
注意:FP32是針對CPU device的，若是VPU devide ，對應到的folder name是FP16
●刪除 IR
C:\Users\$(username)\Documents\Intel\OpenVINO\openvino_models\ir\FP32
\classification\squeezenet\1.1\ 底下全部caffe 資料夾刪掉
注意:FP32是針對CPU device的，若是VPU devide ，對應到的folder name是FP16
------------------------------------------------------------------------------------------------
■Run the Inference Pipeline Verification Script
★demo_security_barrier_camera.bat 這個batch的內容如下
Step1 : 下載 three pre-trained models IRs
Step2：build Security Barrier Camera Demo Inference Engine來闡發car1.bmp
Step3： 圖片裡的object會被第一個model判定成是車輛，
這個判定結果被看成input 導入到下一個model，
這個model可以指出車輛的一些屬性 ex:車牌
最後 車牌被看成input導入到第三個model，這個model可以把車牌的字元辨認出
會被稱做Pipeline 我想應當是識別成效從第一個model傳到第三個model
像水流在管線裡活動一樣吧...
★重跑全部bat
跑過一次batch之後，有些step會被疏忽掉，因為某些檔案已存在了
若要乾乾淨淨的再跑一次，需要刪除以下檔案
●刪除 IR
C:\Users\$(username)\Documents\Intel\OpenVINO\openvino_models\
ir\FP32\classification\squeezenet\1.1\
底下整個caffe 資料夾刪掉
----------------------------------------------------------------------------------------------------------
以上典範榜樣是利用openvino在 CPU
若用其他intel 硬體， 好比movidius gpu vpu FPGA or MYRIAD
請參考安裝文件中 Optional Steps這部分
-----------------------------------------------------------------------------------------------------------
■OpenVino PreTrained Model
★OpenVINO提供好幾個pre-trained models
可以用Model Downloader 或到
https://download.01.org/opencv/2019/open_model_zoo/ 去下載
下載的model是被優化過的model，稱作IR file( xml 檔+ bin 檔)
★可在這邊 https://docs.openvinotoolkit.org/latest/_demos_README.html
Demos that Support Pre-Trained Models章節
看各個pre-trained model support哪些Device
Object Detection Models
裡面包括好幾個model可以用來偵測object
包括：人臉，人，車輛
Object Recognition Models
用來分類或特徵辨識，使用在其他detector之後。好比先做人臉偵測，再做春秋/性別辨識
Semantic Segmentation Models
原文網址：https://kknews.cc/zh-tw/tech/mgqvl9.html
語義分割（Semantic Segmentation）的目的是給定一張圖片，對於圖片中的每一個像素做分類。
例如圖1(a)中給出的原始輸入圖片，語義朋分算法對圖片中的每一個像素分類，
獲得如圖1(b)的成果。在圖1(b)中，分歧顏色代表分歧類別：
如紅色代表行人，藍色代表汽車，綠色代表樹，灰色代表建築物等。
語義朋分問題在良多運用場景中都有著十分重要的感化（例如圖片理解，自動駕駛等）
Instance Segmentation Models
INSTANCE SEGMENTATION可以知道同類object的數量(不同色彩示意)
https://arxiv.org/pdf/1405.0312.pdf
Human Pose Estimation Models
Image Processing
提高影象品質
Text Detection
Action Recognition Models
-------------------------------------------------------------------------------------------------------------------------------------------------------------------------
■Trouble Shooting
● 安裝時碰到CMake*/ Python* version xxx or higher is not detected.
->Fixed by 安裝如提示的CMake & Python版本後
再重安裝一次OpenVino
● 電腦已經有安裝Python3.6.5了
仍是會泛起Python* version xxx or higher is not detected.
->Fixed by 再安裝一次Python >選Modify >勾選Add Python.....
->再安裝一次OpenVino就可以了
● 執行demo_squeezenet_download_convert_run.bat前
若沒有安裝cmake 會出現以下Error
'cmake' is not recognized as an internal or external command,
operable program or batch file.
->Fixed by 安裝cmake
請參考 Install CMake* 3.4 or higher章節
● 履行demo_squeezenet_download_convert_run.bat發生以下Err
target_precision = FP32
Python 3.6.6
ECHO is off.
PYTHONPATH=C:\Program Files (x86)\IntelSWTools\openvino\python\python3.6;
[setupvars.bat] OpenVINO environment initialized
INTEL_OPENVINO_DIR is set to C:\Program Files (x86)\IntelSWTools\openvino
Python 3.6.6
ECHO is off.
Collecting pyyaml
Retrying (Retry(total=4, connect=None, read=None, redirect=None, status=None)) after connection broken by 'ProxyError('Cannot connect to proxy.', OSError('Tunnel connection failed: 407 Proxy Authentication Required ( Forefront TMG requires authorization to fulfill the request. Access to the Web Proxy filter is denied. )',))': /simple/pyyaml/
...
Could not find a version that satisfies the requirement pyyaml (from versions: )
No matching distribution found for pyyaml
->Fixed by 更改proxy設定
憑據Cannot connect to proxy這個訊息判定應當是proxy問題
本來我是利用公司內網run script
後來將proxy調劑成以下設定&連手機熱門就可以履行了
● 出現以下Error
###############|| Generate VS solution for Inference Engine samples using cmake ||###############
Waiting for 2 seconds, press a key to continue ...
Creating Visual Studio 15 2017 x64 files in
C:\Users\$(userName)\Documents\Intel\OpenVINO\inference_engine_samples_build...
CMake Error at CMakeLists.txt:7 (project):
Generator
Visual Studio 15 2017
could not find any instance of Visual Studio.
-- Configuring incomplete, errors occurred!
->fixed by reboot
因為在安裝openvino之前我有開visual studio installer去 modify設定
設定完後沒有依照指導重開機
是以出現以上issue
-------------------------------------------------------------------------------------------------------------------------------------------------------------------------
●其它參考連結
- OPENvINO with openCV
- 既跨平台又開源 英特爾開啟聰明視覺立異
跨越20個預先訓練的模子，和針對OpenCV和OpenVx的最佳化電腦視覺庫。
OpenVINO工具套件可透過CPU、GPU、FPGA、Movidius VPU(AI晶片 )等硬體進行佈置，
加強視覺系統功能和性能
- SqueezeNet
SqueezeNet 是圖片分類模型，最合適參數較少及較小的模型利用，相較於現代圖片分類模型 (AlexNet)，
不會犧牲品質。
- C:\Program Files (x86)\Intel\openvino_2021.4.689\documentation
