0 背景

在上一篇文章《深度学习之openvino预训练模型测试》，我们介绍了如何使用 intel 提供的预训练模型完成语义分割任务。但在用 public 预训练模型时，发现我的 openvino 版本较低不支持，因此，对我的 sdk 进行了升级，继续介绍如何使用预训练模型的方法。

升级安装方法参考《深度学习之win10安装配置openvino》，升级后的版本为 Version 2021.3。

1 模型介绍

这篇文章我们以 Optical Character Recognition Models / OCR 字符识别模型（车牌识别）模型为例，首先看看模型介绍

license-plate-recognition-barrier-0007 模型是一个较小规模的端到端的中文车牌识别模型，来识别道路中的中国车牌，示例如下（出于隐私保护目的，对车牌进行了裁剪处理）

模型参数如下

指标	值
平面内旋转（Rotation in-plane）	±10˚
平面外旋转（Rotation out-of-plane）	Yaw: ±45˚ / Pitch: ±45˚
最小宽度（Min plate width）	94 pixels
识别准确率（Ratio of correct reads）	98%
计算量（GFlops）	0.347
参数量（MParams）	1.435
训练框架（Source framework）	TensorFlow

注意，上述准确率指标只针对蓝牌，其它类型的车牌性能可能会差一些。

输入信息：

Image, name: data , shape: 1,3,24,94, format is 1,C,H,W where:

C - channel
H - height
W - width

Channel order is BGR.

输出信息：

Encoded vector of floats, name: decode, shape: 1,88,1,1. Each float is an integer number encoding a character according to this dictionary:

0 0
1 1
2 2
3 3
4 4
5 5
6 6
7 7
8 8
9 9
10 <Anhui>
11 <Beijing>
12 <Chongqing>
13 <Fujian>
14 <Gansu>
15 <Guangdong>
16 <Guangxi>
17 <Guizhou>
18 <Hainan>
19 <Hebei>
20 <Heilongjiang>
21 <Henan>
22 <HongKong>
23 <Hubei>
24 <Hunan>
25 <InnerMongolia>
26 <Jiangsu>
27 <Jiangxi>
28 <Jilin>
29 <Liaoning>
30 <Macau>
31 <Ningxia>
32 <Qinghai>
33 <Shaanxi>
34 <Shandong>
35 <Shanghai>
36 <Shanxi>
37 <Sichuan>
38 <Tianjin>
39 <Tibet>
40 <Xinjiang>
41 <Yunnan>
42 <Zhejiang>
43 <police>
44 A
45 B
46 C
47 D
48 E
49 F
50 G
51 H
52 I
53 J
54 K
55 L
56 M
57 N
58 O
59 P
60 Q
61 R
62 S
63 T
64 U
65 V
66 W
67 X
68 Y
69 Z

2 模型转换

接下来我们下载该模型，方法和上一篇文章中提到的一样，这里不赘述，直接贴出下载过程

下载的模型是 tensorflow 格式的 ckpt 文件，我们需要做一个转换，满足 openvino 框架调用

转化方法是使用 downloader 路径下的 converter.py 文件，需要指定模型名称

运行指令 python .\converter.py --name license-plate-recognition-barrier-0007，转换成功显示如下，在对应的路径下生成 IR 模型，包含 xml 和 bin 文件

3 模型调用

同样的，在 sdk 里提供了模型调用的 demo，我们直接运行 build_demo_msvc.bat，可以一次性把所有的 demo 进行编译

方法如下

对于车牌识别功能来说，用到的项目是 security_barrier_camera_demo，生成的可执行文件为 C:\Users\ZONGXP\Documents\Intel\OpenVINO\omz_demos_build\intel64\Release\security_barrier_camera_demo.exe

查看使用说明，需要指定输入文件、车辆和车牌检测模型（-m）、车牌识别模型（-m_lpr）

其中，车牌和车辆检测模型属于 Object Detection Models / 目标检测模型中的 vehicle-license-plate-detection-barrier-0123，下载和转化方法同上边识别模型的方法类似，这里贴一下运行指令

下载转换好之后，运行执行脚本

结果如下，车牌识别结果有问题，还需要进一步排查

4 总结

本文对 openvino 调用 public 预训练模型的方法进行了介绍，与 intel 预训练模型相比，主要区别在于需要一次格式转换，目前支持的转化类型包括以下几种：

Caffe,
TensorFlow,
MXNet,
ONNX,
Kaldi.

后续会进行更加深入的研究

深度学习之openvino预训练模型测试（车牌识别）相关推荐

深度学习之openvino预训练模型测试
0 背景在<深度学习之win10安装配置openvino>中我们介绍了 openvino 的安装方法,本文对下一步的使用进行一个介绍. 1 模型介绍 openvino 提供了一系列的预训 ...
深度学习进阶篇-预训练模型[3]：XLNet、BERT、GPT,ELMO的区别优缺点，模型框架、一些Trick、Transformer Encoder等原理详细讲解
[深度学习入门到进阶]必看系列,含激活函数.优化策略.损失函数.模型调优.归一化算法.卷积模型.序列模型.预训练模型.对抗神经网络等专栏详细介绍:[深度学习入门到进阶]必看系列,含激活函数.优化策略 ...
【深度学习】使用预训练模型
主要有两种方法: 特征提取微调模型特征提取特征提取就是使用已经训练好的网络在新的样本上提取特征,然后将这些特征输入到新的分类器,从头开始训练的过程. 卷积神经网络分为两个部分: 一系列池化层+卷 ...
百度深度学习框架paddlepaddle实战三——自家车牌识别
微信公众号:小白图像与视觉关于技术.关注yysilence00.有问题或建议,请公众号留言. # 查看当前挂载的数据集目录, 该目录下的变更重启环境后会自动还原 # View dataset dir ...
pix2pix学习系列（1）：预训练模型测试pix2pix
pix2pix学习系列(1):预训练模型测试pix2pix 参考文献: [Pytorch系列-66]:生成对抗网络GAN - 图像生成开源项目pytorch-CycleGAN-and-pix2pix ...
Keras深度学习使用VGG16预训练神经网络实现猫狗分类
Keras深度学习使用VGG16预训练神经网络实现猫狗分类最近刚刚接触深度学习不久,而Keras呢,是在众多的深度学习框架中,最适合上手的,而猫狗的图像分类呢,也算是计算机视觉中的一个经典案例,下面 ...
多模态模型学习1——CLIP对比学习语言-图像预训练模型
多模态模型学习1--CLIP对比学习语言-图像预训练模型学习前言什么是CLIP模型代码下载 CLIP实现思路一.网络结构介绍 1.Image Encoder a.Patch+Position ...
深度学习加载预训练权重好处
深度学习加载预训练权重好处: 在模型开始训练前,使模型参数得到一个好的初始化,对于后面的训练学习有非常大的帮助.
【OpenCV-Python】——Haar人脸检测深度学习人脸检测EigenFaces/FisherFaces/LBPH人脸识别
目录前言: 1.人脸检测 1.1 基于Haar的人脸检测 1.2 基于深度学习的人脸检测 2.人脸识别 2.1 EigenFaces人脸识别 2.2 FisherFaces人脸识别 2.3 LBPH ...

深度学习之openvino预训练模型测试（车牌识别）