intel movidius 神经元计算棒2代 ubuntu16.04运行环境搭建教程

最新推荐文章于 2024-04-22 19:23:23 发布
最新推荐文章于 2024-04-22 19:23:23 发布
阅读量8.1k 收藏 38
点赞数 2
分类专栏： 深度学习 神经元计算棒 hikey970 文章标签： intel movidius squeezeNet NCS ubuntu
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qqqzmy/article/details/84995870
版权

intel movidius 神经元计算棒2代 ubuntu16.04运行环境搭建教程

摘要

这篇文章记录在台式机的ubuntu16.04下搭建intel神经元计算棒2开发环境的过程。
在这里插入图片描述

材料准备

  1. ubuntu16.04电脑，可联网
  2. 神经元计算棒2代
  3. Intel官网下载toolkit for linux 安装包
    下载地址：
    https://software.intel.com/en-us/openvino-toolkit/choose-download/free-download-linux
    安装参考链接：
    https://software.intel.com/en-us/neural-compute-stick/get-started

注意事项

注意：现在的时间是2018年12月13日，intel官网的安装教程或者toolkit软件包可能会有更新，如果你是在这个时间后较长一段时间看见的，请到官网查看安装方式是否有变化，这很重要！在最开始我是看博客搭建的，搭建了一半发现官网的安装方式已经改变，过程更加简单，而且有gui界面。所以请在开始安装前上一下官网查看一下！

步骤

  1. 下载toolkit（linux版）
    在官网可以下载到toolkit：l_openvino_toolkit_.tgz，我这里用的版本是2018.4.420
  2. 建立一个文件夹Downloads，把toolkit放进去，在所在目录下解压：
tar xvf l_openvino_toolkit_2018.4.420.tgz

解压后进入文件夹：

cd l_openvino_toolkit_2018.4.420
  1. 在root下运行安装依赖环境
./install_cv_sdk_dependencies.sh

在这里插入图片描述

  1. 打开安装gui：
./install_GUI.sh

此时会出现界面：
在这里插入图片描述
按照一般安装软件步骤点：
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
安装完成

  1. 配置神经计算棒 USB 驱动程序
    更新udev规则使工具套件能够与神经计算棒通信。 为此，在终端窗口运行以下命令：
cd ~/Downloads

然后一次性复制以下一大块代码到命令行中：

cat < 97-usbboot.rules
SUBSYSTEM=="usb", ATTRS{idProduct}=="2150", ATTRS{idVendor}=="03e7", GROUP="users", MODE="0666", ENV{ID_MM_DEVICE_IGNORE}="1"
SUBSYSTEM=="usb", ATTRS{idProduct}=="2485", ATTRS{idVendor}=="03e7", GROUP="users", MODE="0666", ENV{ID_MM_DEVICE_IGNORE}="1"
SUBSYSTEM=="usb", ATTRS{idProduct}=="f63b", ATTRS{idVendor}=="03e7", GROUP="users", MODE="0666", ENV{ID_MM_DEVICE_IGNORE}="1"
EOF

在这里插入图片描述
一行一行运行以下命令：

sudo cp 97-usbboot.rules /etc/udev/rules.d/
sudo udevadm control --reload-rules
sudo udevadm trigger
sudo ldconfig
rm 97-usbboot.rules

注：在运行到“sudo ldconfig”时会有以下bug：
在这里插入图片描述
没有找到链接文件，解决方法如下：进入.so文件所在的路径，按以下命令建立链接：
在这里插入图片描述
再次执行“sudo ldconfig”就不会报错了
参考链接：
https://blog.csdn.net/choice_jj/article/details/8722035

  1. 测试安装
    将神经计算棒插入计算机的 USB 端口，第一次运行这些命令时，可能需要一些时间，因为脚本要安装软件依赖项并编译所有样本代码。
cd ~/opt/intel/computer_vision_sdk/deployment_tools/model_optimizer/install_prerequisites/
./install_prerequisites.sh

注：可能会出现以下错误：
在这里插入图片描述
这是因为源的问题，在“系统设置”-“软件设置”-“其他软件”中把出错的源去掉
然后执行：

apt-get clean
apt-get update

如果系统的源时国外的，没法下载，可以换成国内的阿里云源或者中科大源，具体方法网上很多
在这里插入图片描述

接下来进入demo文件夹：

cd ~/opt/intel/computer_vision_sdk/deployment_tools/demo

执行：

./demo_squeezenet_download_convert_run.sh -d MYRIAD

在这里插入图片描述

执行：

./demo_squeezenet_download_convert_run.sh -d MYRIAD

执行过程中要下载模型参数，可能会因为网络原因失败，多尝试几次即可，实在不行的话考虑更换软件源
在这里插入图片描述

我们跑的demo是对于一幅汽车的图像进行分类检测，输出的预测类型与概率。参数文件来自caffe，模型是squeezeNet，
在这里插入图片描述
最后等待几分钟，下载完毕。程序自动转换caffemodel到计算棒可以执行的graph文件，输出如下：

[WARNING] All Model Optimizer dependencies are installed globally.
[WARNING] If you want to keep Model Optimizer in separate sandbox
[WARNING] run install_prerequisites.sh venv {caffe|tf|mxnet|kaldi|onnx}
###################################################
Convert a model with Model Optimizer
Run python3 
/opt/intel//computer_vision_sdk_2018.4.420/deployment_tools/model_optimizer/mo.py --input_model /root/openvino_models/FP16/classification/squeezenet/1.1/caffe/squeezenet1.1.caffemodel --output_dir /root/openvino_models/ir/squeezenet1.1/FP16 --data_type FP16
Model Optimizer arguments:
Common parameters:
	- Path to the Input Model: 
	/root/openvino_models/FP16/classification/squeezenet/1.1/caffe/squeezenet1.1.caffemodel
	- Path for generated IR: 	/root/openvino_models/ir/squeezenet1.1/FP16
	- IR output name: 	squeezenet1.1
	- Log level: 	ERROR
	- Batch: 	Not specified, inherited from the model
	- Input layers: 	Not specified, inherited from the model
	- Output layers: 	Not specified, inherited from the model
	- Input shapes: 	Not specified, inherited from the model
	- Mean values: 	Not specified
	- Scale values: 	Not specified
	- Scale factor: 	Not specified
	- Precision of IR: 	FP16
	- Enable fusing: 	True
	- Enable grouped convolutions fusing: 	True
	- Move mean values to preprocess section: 	False
	- Reverse input channels: 	False
Caffe specific parameters:
	- Enable resnet optimization: 	True
	- Path to the Input prototxt: 
	/root/openvino_models/FP16/classification/squeezenet/1.1/caffe/squeezenet1.1.prototxt
	- Path to CustomLayersMapping.xml: 	Default
	- Path to a mean file: 	Not specified
	- Offsets for a mean file: 	Not specified
Model Optimizer version: 	1.4.292.6ef7232d
[ SUCCESS ] Generated IR model.
[ SUCCESS ] XML file: /root/openvino_models/ir/squeezenet1.1/FP16/squeezenet1.1.xml
[ SUCCESS ] BIN file: /root/openvino_models/ir/squeezenet1.1/FP16/squeezenet1.1.bin
[ SUCCESS ] Total execution time: 1.06 seconds. 
###################################################

接下来程序开始运行推断了，输出如下：

Build Inference Engine samples
Target folder /root/inference_engine_samples already exists. Skipping samples building.If you want to rebuild samples, remove the entire /root/inference_engine_samples folder. Then run the script again
###################################################
Run Inference Engine classification sample
Run ./classification_sample -d MYRIAD -i /opt/intel/computer_vision_sdk/deployment_tools/demo/../demo/car.png -m /root/openvino_models/ir/squeezenet1.1/FP16/squeezenet1.1.xml 
[ INFO ] InferenceEngine: 
	API version ............ 1.4
	Build .................. 17328
[ INFO ] Parsing input parameters
[ INFO ] Files were added: 1
[ INFO ]     /opt/intel/computer_vision_sdk/deployment_tools/demo/../demo/car.png
[ INFO ] Loading plugin
	API version ............ 1.4
	Build .................. 17328
	Description ....... myriadPlugin
[ INFO ] Loading network files:
	/root/openvino_models/ir/squeezenet1.1/FP16/squeezenet1.1.xml
	/root/openvino_models/ir/squeezenet1.1/FP16/squeezenet1.1.bin
[ INFO ] Preparing input blobs
[ WARNING ] Image is resized from (787, 259) to (227, 227)
[ INFO ] Batch size is 1
[ INFO ] Preparing output blobs
[ INFO ] Loading model to the plugin
[ INFO ] Starting inference (1 iterations)
[ INFO ] Processing output blobs
Top 10 results:

Image /opt/intel/computer_vision_sdk/deployment_tools/demo/../demo/car.png
817 0.8295898 label sports car, sport car
511 0.0961304 label convertible
479 0.0439453 label car wheel
751 0.0101318 label racer, race car, racing car
436 0.0074234 label beach wagon, station wagon, wagon, estate car, beach waggon, station waggon, waggon
656 0.0042267 label minivan
586 0.0029869 label half track
717 0.0018148 label pickup, pickup truck
864 0.0013924 label tow truck, tow car, wrecker
581 0.0006595 label grille, radiator grille
total inference time: 9.7110895
Average running time of one iteration: 9.7110895 ms
Throughput: 102.9750571 FPS
[ INFO ] Execution successful
###################################################
Demo completed successfully.

至此，我们的的demo成功再计算棒上运行了，验证了我们的安装是没问题的。

具体的性能参数如下：

模型squzeenet分类
输入图片大小(787, 259) resize to (227, 227)
预测结果0.8295898 label：sports car, sport car
模型转换时间1.06s
推理时间9.7110895 ms
帧率102.9750571 FPS

可见这个性能还是可以的，用在实时检测上完全没有问题

运行其他例子结果：
此外还运行了车辆检测以及车牌检测的demo，结果如下：
CPU推理的结果：
在这里插入图片描述
计算棒推理的结果：

在这里插入图片描述
结果总结对比：

项目CPU结果计算棒结果
Time for peocessing 1 stream(nireq = 1):50.99ms (19.61fps)98.91ms (10.11fps)
Vehicle detection time21.35ms(46.63fps)82.16s(12.17fps)
Vehicle Attribs time(averaged over 1detection):15.95ms(62.71fps)3.83ms(261.39fps)
LPR time (averaged over 1dections):26.36 ms(37.94 fps)12.84ms(77.88fps)

前面两项CPU速度超过了计算棒，原因不明，有待后续查证

Mingyong_Zhuang
关注
专栏目录
英特尔神经计算棒是什么？边缘计算又是什么？
耐心的小黑的博客
03-18 1万+
英特尔神经计算棒是什么？         2018年11月14日，英特尔人工智能大会在北京举行。逾千名AI开发者、研究人员以及英特尔的客户和伙伴齐聚，探讨AI的发展，了解AI技术组合的最新进展。会上，英特尔发布了英特尔神经计算棒二代（简称intel NCS 2），利用该计算棒可以在网络边缘构建更智能的AI算法和计算机视觉原型设备。   &nbsp...
目标检测YOLO实战应用案例100讲-基于卷积神经网络的小目标检测算法研究
qq_36130719的博客
06-07 1134
对于小目标的定义分为相对尺寸定义与绝对尺寸定义。相对尺寸的定义是根据原图的宽高进行计算，小于等于原图宽高十分之一的目标即可被认定为是小目标。绝对定义是根据国际组织SPIE制定的标准，在N*N的图像中，小于图像整体0.12%的目标即被认定为小目标。
Intel Movidius Neural Computer Stick 2使用(PC-Based Ubuntu）
jiugeshao的专栏
05-08 3132
接着博主前面的系列博客继续讲，这篇来介绍上Intel的第二代加速神经棒的使用，主要还是参考官网来配置。前面很多博客也都访问过多家公司的官网，比较下来，Intel的真的很强大，满满的技术感。 Intel® Neural Compute Stick 2Learn AI programming at the edge with the newest generation of this tiny, fanless deep learning device.https://www.intel.com/conten
因特尔计算棒（Intel Movidius Necural Compute）
weixin_42730667的博客
08-13 1222
Intel Movidius Necural Compute（NCS)为因特尔开发的 轻巧，无风扇,深度学习设备，主要用于边缘计算，通过usb 3.0接口与主机或者开发板相链接， 支持window和ubuntu开发环境。与Intel® Movidius™ Myriad™ Vision Processing Unit (VPU)芯片性能相同，可以用在无人机，工业视觉，智能安防等领域，支持深度DNN网...
分享 | 英特尔第二代神经计算棒（Intel Neural Compute Stick 2）相关测试
OpenVINOCC的博客
09-28 7408
分享 | 英特尔第二代神经计算棒（Intel Neural Compute Stick 2）相关测试 爱分享的 OpenVINO 中文社区 内容来源| 李栋 内容排版| 李擎 原文链接：https://blog.csdn.net/weixin_43317210/article/details/107030841 正文 英特尔第二代神经计算棒（Intel Neural Compute Stick 2）相关测试 英特尔在2018年正式推出了身材依然只有U盘大小的第二代神经计算棒(Neural Compute
树莓派4B（armv7l，arm32）buster部署英特尔第二代神经计算棒，示例：运行darknet-yolov4-tiny
DEDSEC_Roger的博客
10-20 2535
开启cmd，“以管理员身份运行”，先激活之前创建的虚拟环境并设置环境变量，导航到有.pb文件的地方，使用Windows上的Model Optimizer生成IR文件，按照你自己在Windows上的OpenVINO安装路径来运行下面的代码。接下来为Model Optimizer做准备，因为我只打算将TensorFlow的模型文件作为我的转换媒介，因此我只做关于TensorFlow的准备，其他模型文件的转换可以参考下面的链接。这种环境变量的设置方法是临时的，关闭cmd就失效，也可以手动设置永久的环境变量。
无人驾驶 自动驾驶汽车 环境感知 精准定位 决策与规划 控制与执行 高精地图与车联网V2X 深度神经网络学习 深度强化学习 Apollo
最新发布
万有文的博客
04-22 1854
Apollo开源自动驾驶平台.
深度视觉里程计DeepVO(ICRA)的运行笔记
qq_36635888的博客
03-21 3080
最近运行了github上的一个deepvo代码，在此做一个学习笔记。 1. 文章以及整体结构 文章：DeepVO: Towards End-to-End Visual Odometry with Deep Recurrent Convolutional Neural Networks（基于深度循环卷积神经网络的端到端视觉里程计） 作者：Sen Wang, Ronald Clark, Hongkai...
AI边缘计算(嵌入式AI)硬件信息汇总
永不止步的小书虫
11-17 1万+
目录   需求 方案评估 intel Mobileye 公司 EyeQ系列 Movidius 公司 Movidius Myriad 2 VPU Movidius Myriad X VPU Intel® Neural Compute Stick Intel® Neural Compute Stick 2 Nervana 公司 Nervana NNP google ...
移动云产品工作记录
企业实战系列集 ●●● https://ximenjianxue.blog.csdn.net
02-02 2914
背景 记录移动云相关理解和记录 初认识 1、移动云全家桶 2、云主机 云主机是一种按需获取的云端服务器，为您提供高可靠、弹性扩展的计算资源服务，您可以根据需求选择不同规格的CPU、内存、操作系统、硬盘和网络来创建您的云主机。云主机从订购到开通使用仅需数分钟时间。云主机服务可用性达到99.95%，云主机备份数据以多副本形式保存，数据可靠性可达99.9999999%。 规格： vCPU / 内存比为1:1、1:2、1:4、1:8，从“1核2G”到“80核1280G”；采用2.3GHz主频的Intel
WIN10神经计算棒二代环境
04-29
win10下安装神经计算棒环境需要的五个软件： Openvino VisioStudio2017 VisioStudio2017 Build Tools CMack3.04以上 Python3.6
Intel Neural Compute Stick2在win10+vs2015下安装
干煸四季豆
12-18 1269
intel movidius 神经元计算棒 APIv2详解
Mingyong_Zhuang的技术博客
12-18 3779
神经元计算棒2 APIv2摘要Python NCAPI 流程1.导入NCAPI模块2.设置神经计算设备3.为设备设置网络Graph和关联的FIFO队列4.获得输入张量5.进行推理6.清理 摘要 本文讲解神经元计算棒的python代码的流程 参考网址： https://movidius.github.io/ncsdk/ncapi/ncapi2/py_api/readme.html Python NC...
树莓派系列（十五）：使用英特尔神经计算棒2（NCS2）
刘墨苏的技术博客
10-29 3801
OpenVINO toolkit for Raspbian 1.下载OpenVINO toolkit for Raspbian安装包 下载网址：https://storage.openvinotoolkit.org/repositories/openvino/packages/2021.4.1/ 直接最新版就完事了。 2.安装安装包 cd ~/Downloads/ sudo mkdir -p /opt/intel/openvino_2021 sudo tar -xf l_openvino_toolk
【深度学习基础】一分钟带你了解“神经计算棒”
欢迎时常光顾我的干货超市，热衷于AIoT！！
04-07 4347
英特尔在2016年收购了Movidius公司，这家公司专注于视觉计算处理器的研发和生产。作为其成果之一，Movidius推出了名为Neural Compute Stick 2的计算棒，简称NCS 2。这款产品于2017年发布，并搭载了Myriad2 VPU视觉计算处理器。
英特尔第二代神经计算棒（Intel Neural Compute Stick 2）相关测试
weixin_43317210的博客
06-30 6888
英特尔第二代神经计算棒（Intel Neural Compute Stick 2）相关测试 英特尔在2018年正式推出了身材依然只有U盘大小的第二代神经计算棒(Neural Compute Stick 2/NCS 2)，可让开发者更智能、更高效地开发和部署深度神经网络(DNN)应用，满足新一代智能设备的需求。
神经计算棒使用步骤
热门推荐
ymzj403的博客
04-20 1万+
1. GRAPH_PATH：graph文件路径；2. IMAGE_PATH：要分类的图片的路径；3. IMAGE_DIM：由选择的神经网络定义的图像尺寸；  例：GoogLeNet uses 224x224 pixels, AlexNet uses 227x227 pixels4. IMAGE_STDDEV：由选择的神经网络定义的标准差（标度值） 例：GoogLeNet uses no scali...
英特尔神经计算棒二代(NCS2)安装、配置及使用
꧁༺ʚvv༒catɞ༻꧂的博客
08-01 6525
英特尔神经计算棒二代安装记录OpenVINO 下载与安装CMake安装Python安装安装NCS2驱动程序Microsoft Visual Studio 2017安装验证 OpenVINO 安装踩坑记录 环境：Windows 10 64位 安装： 英特尔神经计算棒二代(NCS2)驱动 cmake version 3.21.1 Visual Studio Community 2017 python 3.6.13（如果使用Anaconda，无需在额外下载一个python 3.6版本，可直接在Anaconda中
因特尔神经计算棒(NCS)+树莓派+yolo-v3实现object-detection
LuckyXiaoSu的博客
02-20 1万+
因特尔神经计算棒(NCS)+树莓派+yolo-v3实现object-detection 踩了好多坑啊。。一言难尽 Step1:在树莓派上安装环境 首先安装openVINO工具包（最好不要在树莓派上装NCSDK..太坑了），详情见这篇文章(https://blog.csdn.net/qqqzmy/article/details/85213414)。 Step2:在windows中安装openVIN...
Ubuntu 16.04快速搭建FTP服务器详教程
在本教程中，我们将详细介绍如何在Ubuntu 16.04操作系统环境下搭建FTP服务器，以便用户能够更轻松地管理和共享文件。Ubuntu 16.04因其稳定性与广泛的应用，是Linux系统中的一个受欢迎选择，而FTP（File Transfer ...
评论 10
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值