【Datawhale IntelVINO学习笔记】OpenVINO核心组件资源和开发流程

已于 2022-08-16 14:00:25 修改
阅读量514 收藏 1
点赞数
分类专栏： Datawhale学习笔记 文章标签： 学习 openvino caffe
于 2022-08-16 09:32:35 首次发布
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/yichao_ding/article/details/126358547
版权

安装VINO

下载地址：https://www.intel.com/content/www/us/en/developer/tools/openvino-toolkit/download.html

安装VINO：

cd l_openvino_toolkit_p_2021.4.752/
sudo ./install_openvino_dependencies.sh
sudo ./install.sh

安装python依赖包

pip install openvino-dev[onnx,pytorch,mxnet,caffe,tensorflow2]==2021.4.2

编译 OpenVINO的 Python API

sudo apt-get install build-essential
sudo apt-get install cmake
export OV=/opt/intel/openvino_2021/
source $OV/inference_engine/demos/build_demos.sh -DENABLE_PYTHON=ON

环境准备

设定OpenVINO的路径：
export OV=/opt/intel/openvino_2021/
设定当前实验的路径：
export WD=~/OV-300/01/3D_Human_pose/

运行初始化OpenVINO的脚本

source $OV/bin/setupvars.sh

当你看到：[setupvars.sh] OpenVINO environment initialized 表示OpenVINO环境已经成功初始化。

运行OpenVINO依赖脚本的安装
进入脚本目录：

cd $OV/deployment_tools/model_optimizer/install_prerequisites/

安装OpenVINO需要的依赖：

sudo ./install_prerequisites.sh

安装OpenVINO模型下载器的依赖文件
进入到模型下载器的文件夹：

cd $OV/deployment_tools/tools/model_downloader/

安装模型下载器的依赖：

python3 -mpip install --user -r ./requirements.in

安装下载转换pytorch模型的依赖：

sudo python3 -mpip install --user -r ./requirements-pytorch.in

安装下载转换caffe2模型的依赖：

sudo python3 -mpip install --user -r ./requirements-caffe2.in

开始实验

通过模型下载器下载人体姿势识别模型
正式进入实验目录：

cd $WD

查看human_pose_estimation_3d_demo需要的模型列表：

cat /opt/intel/openvino_2021//deployment_tools/inference_engine/demos/human_pose_estimation_3d_demo/python/models.lst

通过模型下载器下载模型：

python3 $OV/deployment_tools/tools/model_downloader/downloader.py --list $OV/deployment_tools/inference_engine/demos/human_pose_estimation_3d_demo/python/models.lst -o $WD

使用模型转换器把模型转换成IR格式

python3 $OV/deployment_tools/tools/model_downloader/converter.py --list $OV/deployment_tools/inference_engine/demos/human_pose_estimation_3d_demo/python/models.lst

播放待识别的实验视频

ffplay -autoexit 3d_dancing.mp4

运行人体姿势识别Demo

python3 $OV/inference_engine/demos/human_pose_estimation_3d_demo/python/human_pose_estimation_3d_demo.py -m $WD/public/human-pose-estimation-3d-0001/FP16/human-pose-estimation-3d-0001.xml -i 3d_dancing.mp4

运行结果：
在这里插入图片描述

图像着色示例

设置实验路径

export OV=/opt/intel/openvino_2021/
export WD=~/OV-300/01/Colorization/

初始化OpenVINO

source $OV/bin/setupvars.sh

运行着色Demo

python3 $OV/inference_engine/demos/colorization_demo/python/colorization_demo.py -m $WD/public/colorization-siggraph/FP16/colorization-siggraph.xml  -i butterfly.mp4

任务3：音频检测示例

进入OpenVINO中自带的音频检测示例：

cd $OV/data_processing/dl_streamer/samples/gst_launch/audio_detect

#你可以查看检测的标签文件

vi ./model_proc/aclnet.json

运行示例

bash audio_event_detection.sh

分析音频检测结果

bash audio_event_detection.sh  | grep "label\":" |sed 's/.*label"//' | sed 's/"label_id.*start_timestamp"://' | sed 's/}].*//'

公式识别

初始化环境

export OV=/opt/intel/openvino_2021/
export WD=~/OV-300/01/Formula_recognition/
source $OV/bin/setupvars.sh

查看可识别的字符

vi hand.json

打印字符

vi latex.json

查看待识别的公式

#进入材料目录
cd $WD/../Materials/
#查看打印公式
show Latex-formula.png

在这里插入图片描述

#查看手写公式
show Hand-formula.png

在这里插入图片描述

运行公式识别

$WD
#识别打印公式
python3 $OV/inference_engine/demos/formula_recognition_demo/python/formula_recognition_demo.py  -m_encoder $WD/intel/formula-recognition-medium-scan-0001/formula-recognition-medium-scan-0001-im2latex-encoder/FP16/formula-recognition-medium-scan-0001-im2latex-encoder.xml  -m_decoder $WD/intel/formula-recognition-medium-scan-0001/formula-recognition-medium-scan-0001-im2latex-decoder/FP16/formula-recognition-medium-scan-0001-im2latex-decoder.xml --vocab_pathlatex.json -i $WD/../Materials/Latex-formula.png -no_show

识别手写公式

python3 $OV/inference_engine/demos/formula_recognition_demo/python/formula_recognition_demo.py  -m_encoder $WD/intel/formula-recognition-polynomials-handwritten-0001/formula-recognition-polynomials-handwritten-0001-encoder/FP16/formula-recognition-polynomials-handwritten-0001-encoder.xml -m_decoder $WD/intel/formula-recognition-polynomials-handwritten-0001/formula-recognition-polynomials-handwritten-0001-decoder/FP16/formula-recognition-polynomials-handwritten-0001-decoder.xml --vocab_path hand.json -i $WD/../Materials/Hand-formula.png -no_show

环境深度识别

初始化环境

export OV=/opt/intel/openvino_2021/
export WD=~/OV-300/01/MonoDepth_Python/
#初始化OpenVINO
source $OV/bin/setupvars.sh

转换原始模型文件为IR文件

#下载好的模型为TensorFlow格式，使用converter准换为IR格式：
python3 $OV/deployment_tools/tools/model_downloader/converter.py --list $OV/deployment_tools/inference_engine/demos/monodepth_demo/python/models.lst

运行深度识别示例

cd $WD
#运行示例,该示例的作用是自动分离图片中景深不同的地方：
python3 $OV/inference_engine/demos/monodepth_demo/python/monodepth_demo.py -m $WD/public/midasnet/FP32/midasnet.xml -i tree.jpeg

运行结果：
在这里插入图片描述

任务6：目标识别示例

初始化环境

export OV=/opt/intel/openvino_2021/
#定义工作目录
export WD=~/OV-300/01/Object_Detection/
#初始化OpenVINO
source $OV/bin/setupvars.sh
#进入工作目录
cd $WD

选择适合你的模型

#由于支持目标检测的模型较多，你可以在不同拓扑网络下选择适合模型：
vi $OV/inference_engine/demos/object_detection_demo/python/models.lst

转换模型至IR格式

python3 $OV/deployment_tools/tools/model_downloader/converter.py --name  yolo-v3-tf

使用SSD模型运行目标检测示例

cd $WD
#运行 OMZ (ssd) model
python3 $OV/inference_engine/demos/object_detection_demo/python/object_detection_demo.py -m  $WD/intel/pedestrian-and-vehicle-detector-adas-0001/FP16/pedestrian-and-vehicle-detector-adas-0001.xml   --architecture_type ssd  -i $WD/../Materials/Road.mp4

运行结果：
在这里插入图片描述

运行Yolo-V3下的目标检测示例

# 运行  the Yolo V3 model
python3 $OV/inference_engine/demos/object_detection_demo/python/object_detection_demo.py -m  $WD/public/yolo-v3-tf/FP16/yolo-v3-tf.xml -i $WD/../Materials/Road.mp4  --architecture_type yolo

运行结果：
在这里插入图片描述

任务7：自然语言处理示例（NLP）——自动回答问题示例

初始化环境

#定义工作目录
export OV=/opt/intel/openvino_2021/
export WD=~/OV-300/01/NLP-Bert/
#初始化OpenVINO
source $OV/bin/setupvars.sh
#进入目录
cd $WD

查看支持的模型列表

#可用列表：
cat $OV/deployment_tools/inference_engine/demos/bert_question_answering_demo/python/models.lst
注：在OpenVINO中的deployment_tools/inference_engine/demos/的各个demo文件夹中都有model.lst列出了该demo支持的可直接通过downloader下载使用的模型，且我们已经事先下载好全部模型为IR格式。

打开待识别的网址
#使用浏览器打开一个英文网址进行浏览，例如Intel官网：https://www.intel.com/content/www/us/en/homepage.html

运行NLP示例

python3 $OV/inference_engine/demos/bert_question_answering_demo/python/bert_question_answering_demo.py  -m $WD/intel/bert-small-uncased-whole-word-masking-squad-0001/FP16/bert-small-uncased-whole-word-masking-squad-0001.xml  -v $OV/deployment_tools/open_model_zoo/models/intel/bert-small-uncased-whole-word-masking-squad-0001/vocab.txt --input=https://www.intel.com/content/www/us/en/homepage.html --input_names=input_ids,attention_mask,token_type_ids --output_names=output_s,output_e
JeffDingAI
关注
  • 0
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
Intel带你初识视觉识别--OpenVINO
专注大数据与人工智能技术分享，欢迎私信加群互相学习！
07-28 1222
本文内容为英特尔计算机视觉课程，介绍OpenVINO工具，课程分为初中高级，初级课程从AI的基本概念开始，介绍人工智能与视觉应用的相关知识及应用场景。整个课程包含了视频的处理，深度学习的相关知识，人工智能应用的推理加速，以及英特尔OpenVINO工具套件的Demo演示。本课程适合了解计算机视觉应用的核心概念和开发工具套件的学员。...
二、OpenVINO简述与构建流程
selectnothing的博客
07-15 1099
OpenVINO Toolkit是由Intel提供的开放视觉推理与神经网络优化（Open Visual Inference and Neural Optimization）工具集，是一整套面向AI应用的Intel解决方案，提供了大量开源资源，包括预训练模型、应用示例以及场景演示等。......
OPENVINO官方开发进阶教程
TEDDY的博客
10-23 1121
http://v.eepw.com.cn/video/playlist/id/5548 OpenCV+Python计算机视觉导学——目录汇总 http://forum.eepw.com.cn/thread/337725/1
OpenVINO(3)：各个组件分析
翔底的博客
11-24 685
1. 说明 最初的时候对OpenVINO完全陌生，在Github上搜索也有一大堆令人眼花缭乱的东西，甚至于OpenVINO的源代码是哪个，YOLO-OpenVINO和OpenVINO-YOLOv3有什么区别都不知道。直到这两天慢慢接触了之后才有所了解，特地在此记录一下。 2. OpenVINO的组件 从Intel的官方文档了解到，OpenVINO工具包包含下列组件： DLDT （Deep Learning Deployment Toolkit） 深度学习部署工具包，是OpenVINO的核心，也是我要研
基于OpenVINO部署的工业表计读数监测产业实践范例全流程详解
PaddlePaddle
06-16 492
飞桨产业实践范例库联合OpenVINO开源表计读数的产业应用方案，提供了模型在Intel平台上优化到部署的完整方案，降低产业落地门槛，适用于电力、能源行业的各种应用场景。
Android学习笔记之开发环境搭建(Eclipse和NetBeans).pdf
10-20
Android学习笔记之开发环境搭建(Eclipse和NetBeans).pdf
Flutter学习笔记：有状态组件和组件间通信
01-08
再学习过程中在本例子中用到了几个注意点进行笔记： Flutter有状态组件的定义方法 Flutter子组件和父组件之间的通信过程 动态组件生成的方法 关于定义回调函数类型上碰到的写法问题 实现效果： 1. Flutter有状态...
laravel框架学习笔记之组件化开发实现方法
12-20
本文实例讲述了laravel框架学习笔记之组件化开发实现方法。分享给大家供大家参考，具体如下： 1.第一个难点，就是把本地的组件引入到项目中，进行开发和测试，这个已经解决了 2.就是需要发布组件中的配置文件到项目...
Python学习笔记资源
06-08
Python 学习笔记，根据作者学习编程的经验和体会整理而成，并录制了相应的系列视频教程：手把手教你学 Python。基于最新的 Python 版本，零基础带你搭建开发环境，从无到有、从易到难、层层递进，逐步走进 Python 的...
openvino系列 0. 工作流介绍以及运行
破浪会有时的博客
04-26 449
openvino工作流介绍，包括：1. 训练（`Train`），模型优化器（`Model Optimizer`），推理引擎（`Inference Engine`），部署（`Deployment`）。
openvino Demo
02-18
openvino demo资源。
OpenVINO开发配置与必备基础知识
英特尔边缘计算社区
11-12 2509
通过第一篇文章我们已经了解什么是OpenVINO，它的诸多功能与全应用场景支持人工智能落地的能力。本篇我们将重点介绍OpenVINO开发流程与开发必备的基础知识与相关API函数对象。 一：环境配置 在具体介绍OpenVINO开发流程与开发必备基础知识之前，我们首先需要配置好OpenVINO的开发环境，这里我们以Win10系统下OpenVINO C++/Python SDK开发与应用集成为例来完成整个教程的配置与代码演示。基于VS2017+OpenVINO2021.02版本的环境配置可以总结为如下几个步骤：
编写openvino应用程序
weixin_43343389的博客
12-07 184
编写openvino应用程序 使用openvino 工具套件开发AI推理计算主要有两步： 第一步： 使用model optimizer 工具优化模型； 第二步：调用inference engine API函数完成AI推理。 1.1Inference engine介绍 Inference engine 提供了C++/python的函数库，让开发者方便读入IR文件、设置模型的输入和输出、读入数据（图像）、在指定的AI计算硬件上执行推理计算并获得结果。 详细介绍： https://docs.openvino.ai
OpenVINO2022 Dev Tools安装与使用
英特尔边缘计算社区
10-10 1133
OpenVINO2022.1版本发布之后，对之前旧版本的功能做明确的划分，其中仍然通过exe方式安装程序的是runtime推理包，支持ONNX、IR、PADDLE等模型读取与推理。该部分可以通过pip方式直接安装，然后通过命令行直接直线，完成模型的转换，下载等操作，跟之前版本易用性有较大提升！对比之前Python版本的SDK，好用了不少，最明显的感受就是不用读输入输出，然后一堆设置了，对单个输入输出的网络，调用就特别的简洁更方便！执行完这条命令行就算是安装好了，只要网络不挂就可以安装成功！
OpenVINO工具套件课程笔记
山风不打咩的博客
03-19 2021
目前OpenVINO的推理引擎只能推理转换过后的IR文件，类似于.pb/.caffemode/.pt等文件是不支持转换的。
【Datawhale IntelVINO学习笔记】OpenVINO音频和人体姿态识别
JeffDing
08-26 885
解决方案：尝试 “Insects (flying)” 在 0.5 至0.9 之间更改，更改后保存完再次运行audio_event_detection.sh进行测试，直至检测不到昆虫噪音。注：可以看到该xml的版本以及数据精度为：FP32，input shape=“1, 1, 1, 16000”。使用“:q”指令退出该界面。注：可以看到该xml的版本以及数据精度为：FP32，input shape=“1, 1, 1, 16000”。你可以从音频文件听到没有昆虫的声音，但是程序检测到了昆虫的声音。......
在intel核显设备上使用openvino加速yolov5
最新发布
Hange_Lee的博客
12-11 1505
在intel核显设备上使用openvino加速yolov5，修改yolov5代码实现。
Intel Open Vino安装过程
xixifather的博客
04-25 974
1、安装VS2017 2、安装CMAKE 勾选将路径写入环境变量PATH 3、安装Python勾选将路径写入环境变量PATH 4、重启电脑 5、安装OpenVino 配置OpenCv环境变量 配置OpenVx环境变量 6、修改D:\IntelSWTools\openvino_版本号\inference_engine\samples\ build_samples_msvc2017.bat文...
解决CMake Error: The source directory “../CMAKE_BULID_TYPE=RELEASE“ does not exist.
Guo___Liang的博客
01-01 9761
在ubuntu18.04上安装opencv4.3.0过程中，使用指令 $ mkdir build $ cd build/ $ cmake -D CMAKE_BUILD_TYPE=RELEASE 之后出现了 CMake Error: The source directory ".../build/CMAKE_BULID_TYPE=RELEASE" does not exist.的错误，如图。 问题困扰了很久，总结之后的解决办法： 1.找到你电脑里的/opencv4.3.0文件夹，查看CMakeL
java后端开发工程师学习视频和笔记资源推荐
07-15
对于学习Java后端开发的视频和笔记资源，我可以给你一些建议。以下是一些值得推荐的资源： 1. Java视频教程：可以尝试看一下《Java基础教程》、《JavaWeb开发视频教程》等。这些教程会从基础开始，循序渐进地讲解Java后端开发相关的知识点。 2. 网络课程平台：像慕课网、极客时间、网易云课堂等平台上有很多Java后端开发的课程，你可以搜索并选择适合自己的课程进行学习。 3. 博客和论坛：有很多技术大牛会在自己的博客或者论坛上分享Java后端开发的经验和知识。你可以关注一些知名的Java技术博客，比如《ImportNew》、《JavaGuide》等，也可以加入一些Java技术交流的论坛，比如CSDN论坛。 4. 书籍：Java后端开发领域有很多经典的书籍，比如《深入理解Java虚拟机》、《Effective Java》、《Java并发编程实战》等。这些书籍可以帮助你更深入地理解Java后端开发的核心概念和技术。 5. 开源项目：你可以尝试参与一些Java后端开源项目的开发，通过阅读和实践开源代码，提升自己的编程能力和项目经验。 总之，学习Java后端开发需要不断积累知识和实践经验。以上推荐的资源只是一部分，你可以根据自己的学习需求和兴趣选择适合自己的学习资料。希望对你有所帮助！

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
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