OpenVINO2022 Dev Tools安装与使用

点击上方蓝字关注我们

微信公众号：OpenCV学堂 关注获取更多计算机视觉与深度学习知识

引言

OpenVINO2022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。但是模型优化转换、模型库下载功能等其他功能被分在一个叫Dev Tool的部分。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！做个对比如下：

Dev Tools安装与使用

Dev Tools安装非常方便，直接通过官方脚本命令行选择安装即可，唯一需要注意的是选择模型框架支持，我选择了ONNX/Pytorch格式转换支持，安装的命令行如下：

pip install openvino-dev[onnx,pytorch]==2022.1.0

复制

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！

安装完成，转换一个ONNX格式的模型为IR格式(xml/bin)文件，以Pytorch的ResNet18为例，先转换为ONNX，代码如下：

model = models.resnet18(pretrained=True) model.eval() model.cpu()
 dummy_input1 = torch.randn(1, 3, 224, 224) torch.onnx.export(model, (dummy_input1), "resnet_model.onnx", verbose=True)

复制

然后直接运行命令行就可以转换IR格式文件，截图如下：

模型下载

安装完成Dev Tools之后，下载模型，只要执行命令行即可：举例如下：

omz_downloader --name person-detection-0200

复制

表示下载模型 person-detection-0200 是一个轻量化的人脸检测模型。

omz_downloader 支持的参数：

--all表示下载全部模型，建议别这么干！--name 下载一个或者多个指定名称的模型，推荐这么干！--precisions 表示下载的模型精度参数，支持FP32/FP18/INT8

复制

Python SDK使用

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！开发者更加容易上手！上面我已经成功转换一个pytorch图像分类模型为IR格式，现在就可以使用它，基于OpenVINO2022版本最新Python SDK部署调用，实现代码如下:

# 加载标签数据
with open('imagenet_classes.txt') as f:
    labels = [line.strip() for line in f.readlines()]


def resnet_demo():
    ie = Core()
    # model = ie.read_model(model="resnet_model.onnx")
    model = ie.read_model(model="resnet_model.xml")
    compiled_model = ie.compile_model(model=model, device_name="CPU")

    output_layer = compiled_model.output(0)

    means = np.zeros((224, 224, 3), dtype=np.float32)
    means[: ,:] = (0.485, 0.456, 0.406)
    dev = np.zeros((224, 224, 3), dtype=np.float32)
    dev[: ,:] = (0.229, 0.224, 0.225)

    image = cv.imread("D:/images/space_shuttle.jpg")
    rgb = cv.cvtColor(image, code=cv.COLOR_BGR2RGB)

    # resize to MobileNet image shape
    input_image = cv.resize(src=rgb, dsize=(224, 224))
    blob_img = np.float32(input_image) / 255.0
    input_x = (blob_img - means) / dev
    input_x = input_x.transpose((2, 0, 1))
    input_x = np.expand_dims(input_x, 0)
    print(input_x.shape)

    result_infer = compiled_model([input_x])[output_layer]
    result_index = np.argmax(result_infer)
    cv.putText(image, labels[result_index], (20, 50), cv.FONT_HERSHEY_SIMPLEX, 1.0, (0, 0, 255), 2)

    cv.imshow("OpenVINO2022 + Pythorch ResNet18", image)
    cv.waitKey(0)
    cv.destroyAllWindows()


if __name__ == "__main__":
    resnet_demo()

复制

扫码查看OpenCV+OpenVIO+Pytorch系统化学习路线图

 推荐阅读 

CV全栈开发者说 - 从传统算法到深度学习怎么修炼

2022入坑深度学习，我选择Pytorch框架！

Pytorch轻松实现经典视觉任务

教程推荐 | Pytorch框架CV开发-从入门到实战

OpenCV4 C++学习 必备基础语法知识三

OpenCV4 C++学习 必备基础语法知识二

OpenCV4.5.4 人脸检测+五点landmark新功能测试

OpenCV4.5.4人脸识别详解与代码演示

OpenCV二值图象分析之Blob分析找圆

OpenCV4.5.x DNN + YOLOv5 C++推理

OpenCV4.5.4 直接支持YOLOv5 6.1版本模型推理

OpenVINO2021.4+YOLOX目标检测模型部署测试

比YOLOv5还厉害的YOLOX来了，官方支持OpenVINO推理