前言

最近看到了一个深度学习库OpenVINO，专门用于Intel硬件上部署深度学习模型，其内置了非常非常多使用的预训练模型，比如道路分割、人脸提取、3D姿态估计等等。但是配置和调用有点小恶心，这里以道路分割为例，展示如何配置OpenVINO的环境，以及模型下载和调用

国际惯例，参考博客：

OpenVINO提供的所有预训练模型列表

OpenVINO的物体分割文档

OpenVino (二） Win10 python配置

配置

需要注册一个账号下载OpenVINO，按照官网给出的win10安装方法一直各种下一步。因为我的python是用Anaconda安装的3.7.6版本，不知道为什么在最后一步的时候检测不到python，这里就是坑的开始。

各种下一步顺利，运行测试案例能成功，但是直接在jupyter中运行

from openvino.inference_engine import IECore,IENetwork

会报错：

---------------------------------------------------------------------------
ImportError                               Traceback (most recent call last)
<ipython-input-3-cebd727a66b4> in <module>
----> 1 from openvino.inference_engine import IECore,IENetworkC:\ProgramData\Anaconda3\lib\site-packages\openvino\inference_engine\__init__.py in <module>
----> 1 from .ie_api import *2 __all__ = ['IENetwork', "TensorDesc", "IECore", "Blob", "get_version"]3 __version__ = get_version()4 ImportError: DLL load failed: 找不到指定的模块。

但是如果你在终端，先执行官方文档说的：

cd C:\Program Files (x86)\IntelSWTools\openvino\bin\
setupvars.bat

再在这个终端启动python执行import就可以

python
from openvino.inference_engine import IECore,IENetwork

每次都要这样操作一遍，这明显就是环境变量只对当前终端生效了，整个电脑的环境并未改变，所以有两种方案解决：一是找到所有缺失的dll添加到PATH中，二是利用python在执行脚本之前加入环境变量，所幸第二个方案在github中有人提到过，issue在此，所以只需要在脚本最开头，加入

import os
os.environ['Path']+= 'C:\\Program Files (x86)\\IntelSWTools\\openvino_2020.4.287\\deployment_tools\\ngraph\\lib;' \'C:\\Program Files (x86)\\IntelSWTools\\openvino_2020.4.287\\deployment_tools\\inference_engine\\external\\tbb\\bin;'\'C:\\Program Files (x86)\\IntelSWTools\\openvino_2020.4.287\\deployment_tools\\inference_engine\\bin\\intel64\\Debug;'\'C:\\Program Files (x86)\\IntelSWTools\\openvino_2020.4.287\\deployment_tools\\inference_engine\\bin\\intel64\\Release;'\'C:\\Program Files (x86)\\IntelSWTools\\openvino_2020.4.287\\deployment_tools\\inference_engine\\external\\hddl\\bin;' \'C:\\Program Files (x86)\\IntelSWTools\\openvino_2020.4.287\\deployment_tools\\model_optimizer;'

然后

from openvino.inference_engine import IECore,IENetwork

就成功啦。

道路分割案例执行

模型获取

首先从官方文档上：

net = IENetwork(model=path_to_xml_file, weights=path_to_bin_file)

或者官方提供的案例，在安装路径

\IntelSWTools\openvino\deployment_tools\open_model_zoo\demos\python_demos\3d_segmentation_demo

中可以看到，OpenVINO的模型推断需要一个xml和bin，分别定义模型和权重，获取方法也在文档中写出来了：

You can download the pre-trained models using the OpenVINO Model Downloader or from https://download.01.org/opencv/.

这个Model Downloader的位置在安装路径

\IntelSWTools\openvino_2020.4.287\deployment_tools\tools\model_downloader

下可以找到，调用方法是

python downloader.py --name road-segmentation-adas-0001

后面这个模型名字可以从这个路径找到

\IntelSWTools\openvino_2020.4.287\deployment_tools\open_model_zoo\intel_models

其实就是OpenVINO官方modelzoo提供的预训练模型名字，直接把名字copy过来就会自动下载，下载目录就是downloader.py的所在目录。因为案例是道路分割的，所以取下载road-segmentation-adas-0001模型

模型调用

这一步就简单了，直接仿照官方例子去执行。

\IntelSWTools\openvino\deployment_tools\open_model_zoo\demos\python_demos\3d_segmentation_demo

这里就不写官方那么复杂了，就写一下必要步骤，首先是初始化模型：

model_xml = './OpenVINO_model/road-segmentation-adas-0001.xml'
model_bin = './OpenVINO_model/road-segmentation-adas-0001.bin'ie=IECore()
net = ie.read_network(model=model_xml,weights=model_bin)
exec_net = ie.load_network(network=net, device_name='CPU')

然后使用opencv读取图片做推断，但是要注意先获取一下输入输出

input_blob = next(iter(net.input_info))
out_blob = next(iter(net.outputs))
n,c,h,w = net.input_info[input_blob].input_data.shape

然后把图片resize一下，丢到网络推断

image = cv2.imread('./OpenVINO_model/img1.jpg')
image = cv2.resize(image,(w,h))
image = image.transpose((2,0,1)) # HWC to CHW
image = image[np.newaxis,...]
image.shape
#(1, 3, 512, 896)
res = exec_net.infer(inputs={input_blob:image})

最后获取输出以及可视化

res = res[out_blob]

从官方文档可以发现输出的维度分别代表什么意思

The output is a blob with the shape [B, C=4, H=512, W=896]. It can be treated as a four-channel feature map, where each channel is a probability of one of the classes: BG, road, curb, mark.

那么获取道路就是维度1。

import matplotlib.pyplot as plt
plt.imshow(image[0].transpose(1,2,0)/255.0)
plt.imshow(res[0,1,...], 'jet', interpolation='none', alpha=0.7)
plt.figure(figsize=(16,16))
plt.subplot(121)
plt.imshow(image[0].transpose(1,2,0)/255.0)
plt.axis('off')
plt.subplot(122)
plt.imshow(image[0].transpose(1,2,0)/255.0)
plt.imshow(res[0,1,...], 'jet', interpolation='none', alpha=0.7)
plt.axis('off')

后记

这里核心点就是：环境配置、模型下载、模型载入推断

官方有很多模型，建议多看文档就能玩很多有意思的demo。

完整的python脚本实现放在微信公众号的简介中描述的github中，有兴趣可以去找找，同时文章也同步到微信公众号中，有疑问或者兴趣欢迎公众号私信。

OpenVINO——配置与道路分割案例相关推荐

OpenVINO + OpenCV实现车辆检测与道路分割
点击上方"小白学视觉",选择加"星标"或"置顶" 重磅干货,第一时间送达本文转自|OpenCV学堂模型介绍 OpenVINO支持道路分割 ...
OpenVINO开发教程之八 – 道路分割
点击上方"小白学视觉",选择加"星标"或"置顶" 重磅干货,第一时间送达本文转自:opencv学堂模型介绍基于OpenVINO预训练模 ...
TGRS2021:Road Segmentation for Remote Sensing ImagesUsing Adversarial Spatial Pyrami对抗性空间金字塔网络的道路分割
TGRS2022:Road Segmentation for Remote Sensing ImagesUsing Adversarial Spatial Pyramid Networks基于对抗性空 ...
AidLux“实时头发分割”案例源码详解
"实时头发分割"案例源码详解 1. 构建APP框架和添加主要控件 2. 头发分割的方法打开实时头发分割案例 1.在VScode中进入代码编辑状态. 2.代码存在路径在/examp ...
基于UNet和camvid数据集的道路分割
基于UNet和camvid数据集的道路分割h(1.3.0+): 背景语义分割是深度学习中的一个非常重要的研究方向,并且UNet是语义分割中一个非常经典的模型.在本次博客中,我尝试用UNet对camv ...
详解ENet | CPU可以实时的道路分割网络
点击上方"小白学视觉",选择加"星标"或"置顶" 重磅干货,第一时间送达前言 OpenCV DNN模块支持的图像语义分割网络FCN是基于V ...
CAS+SSO配置单点登录完整案例
CAS+SSO配置单点登录完整案例目录 CAS+SSO配置单点登录完整案例部署环境环境说明安全证书配置 1．打开cmd命令窗口(管理员身份打开) 2．生成证书,在cmd窗口输入以下命令: 3． ...
OpenVINO部署Mask-RCNN实例分割网络
点击上方"3D视觉工坊",选择"星标" 干货第一时间送达极市导读 OpenVINO是英特尔推出的一款全面的工具套件,用于快速部署应用和解决方案,支持计算机视觉 ...
使用U-Net进行肺结节分割案例分析：DSB3Tutorial
使用U-Net进行肺结节分割案例分析:DSB3Tutorial 本文要分析的代码作者是jonrmulholland,这里是其链接地址数据集:LUNA 2016,这里是LUNA2016数据集详细说明链 ...

OpenVINO——配置与道路分割案例

前言

配置

道路分割案例执行

模型获取

模型调用

后记

OpenVINO——配置与道路分割案例相关推荐

最新文章

热门文章