LabVIEW+OpenVINO在CPU上部署新冠肺炎检测模型实战（含源码）

最新推荐文章于 2024-05-20 11:39:14 发布

virobotics

最新推荐文章于 2024-05-20 11:39:14 发布

阅读量1.3k

点赞数 2

分类专栏：深度学习：图像语义分割 LabVIEW深度学习实战 openvino 文章标签： openvino 深度学习人工智能图像处理 paddlepaddle

本文为博主原创文章，未经博主允许不得转载。

本文链接：https://blog.csdn.net/virobotics/article/details/125260923

版权

LabVIEW深度学习实战同时被 3 个专栏收录

41 篇文章 718 订阅

订阅专栏

深度学习：图像语义分割

4 篇文章 4 订阅

订阅专栏

openvino

2 篇文章 0 订阅

订阅专栏

文章目录

前言
一、LabVIEW视觉工具包下载与配置
- 1、视觉工具包的下载安装
- 2、OpenVINO toolkit下载安装
二、模型获取
三、语义分割之Unet
- 1、语义分割在医疗影像上的应用
- 2、Unet简介
四、LabVIEW+OpenVINO在CPU上部署新冠肺炎检测模型（covid_main.vi ）
五、项目源码及模型下载
附加说明
总结

前言

之前博客：【YOLOv5】LabVIEW+OpenVINO让你的YOLOv5在CPU上飞起来给大家介绍了在LabVIEW上使用openvino加速推理，在CPU上也能感受丝滑的实时物体识别。那我们今天就一起来看一下如何使用LabVIEW+OpenVINO在CPU上部署新冠肺炎CT图像病害分割，本次实战模型主要是来自大佬：翼达口香糖，博客：https://blog.csdn.net/weixin_47567401/article/details/122809410

一、LabVIEW视觉工具包下载与配置

1、视觉工具包的下载安装

可在如下链接中下载OpenVINO版工具包：https://download.csdn.net/download/virobotics/18434228

说明：
安装前请先阅读readme.txt
工具包已经更新，为更方便各位使用，最新版工具包中cpu版与openvino版合二为一，统称为CPU版；
如果想要使用openvino加速，请务必安装OpenVINO toolkit；
若未安装OpenVINO toolkit，则使用readNetFromOptimizer.vi会报错，其他则不会有影响。

安装方式可参考：LabVIEW AI视觉工具包（非NI Vision）下载与安装教程中CPU用户的安装。

2、OpenVINO toolkit下载安装

下载地址：英特尔® Distribution of OpenVINO™ 工具套件
1）点击Dev Tools

在这里插入图片描述
2）选择版本，选择如下版本，并DownLoad：

在这里插入图片描述
3）下载后，运行安装即可！（建议安装到默认路径）

4）可以选择安装路径，具体安装可以参考官方文档：https://docs.openvino.ai/cn/latest/openvino_docs_install_guides_installing_openvino_windows.html

5)安装完成后，请记得配置环境变量，即在电脑的环境变量–>系统变量–>path种添加如下变量

在这里插入图片描述

二、模型获取

openvino工作流程，和其他的部署工具都差不多，训练好模型，解析成openvino专用的.xml和.bin，随后传入Inference Engine中进行推理。本实战中的模型来自：https://blog.csdn.net/weixin_47567401/article/details/122809410，你可以在这里下载到模型：下载模型链接

三、语义分割之Unet

1、语义分割在医疗影像上的应用

随着人工智能的崛起，将神经网络与医疗诊断结合也成为研究热点，智能医疗研究逐渐成熟。在智能医疗领域，语义分割主要应用于肿瘤图像分割，龋齿诊断等。(下图分别是龋齿诊断，头部CT扫描紧急护理诊断辅助和肺癌诊断辅助)
在这里插入图片描述

2、Unet简介

U-Net 起源于医疗图像分割，整个网络是标准的encoder-decoder网络，特点是参数少，计算快，应用性强，对于一般场景适应度很高。原始U-Net的结构如右图所示，由于网络整体结构类似于大写的英文字母U，故得名U-net。左侧可视为一个编码器，右侧可视为一个解码器。编码器有四个子模块，每个子模块包含两个卷积层，每个子模块之后通过max pool进行下采样。由于卷积使用的是valid模式，故实际输出比输入图像小一些。具体来说，后一个子模块的分辨率=(前一个子模块的分辨率-4)/2。U-Net使用了Overlap-tile 策略用于补全输入图像的上下信息，使得任意大小的输入图像都可获得无缝分割。同样解码器也包含四个子模块，分辨率通过上采样操作依次上升，直到与输入图像的分辨率基本一致。该网络还使用了跳跃连接，以拼接的方式将解码器和编码器中相同分辨率的feature map进行特征融合，帮助解码器更好地恢复目标的细节。
在这里插入图片描述