OpenVINO+Win10安装及环境配置攻略

       OpenVINO主要包括模型优化器(Model Optimizer)和推理引擎(Inference engine)两部分。模型优化器负责将各种格式的深度神经网络模型转换成统一的自定义格式,并在转换过程中进行模型优化;推理引擎接受经过模型优化器转换并优化的网络模型,为Intel的各种计算设备提供高性能的神经网络推理运算。本文主要记录在Win10 X64+VS2019+Python3.6环境下的安装过程,以及安装过程中的注意事项。下图是其推理引擎的验证结果:

detect car with OpenVINO

参考链接&致谢

1. Install Intel® Distribution of OpenVINO™ toolkit for Windows* 10

Install Intel® Distribution of OpenVINO™ toolkit for Windows* 10是官方给出的安装教程,从中我们可以知道OpenVINO的依赖条件:

OpenVINO installation steps

Visual Studio 2019或2017或2015

CMake3.10或更高版本+X64,若是VS2019,则需要CMake3.14(含)及以上版本。

注:CMake必须是安装版本(.msi)且安装过程中选择设置环境变量;CMake的ZIP的压缩档即便是已设置环境变量,OpenVINO的安装程序也无法检测到,仍然会认为CMake缺失。

Python 3.6.5 64位
我的电脑中在安装OpenVINO之前,已有VS2019 + CMake3.18 + python3.6,并且已设置好相关环境变量,因此本文后续部分将只记录OpenVINO的安装及验证过程。
另外,我个人比较推荐先安装Visual Studio,CMake和Python合适的版本,最后安装OpenVINO,这样OpenVINO安装结束时不会报任何错误。

2. OpenVINO下载与安装

OpenVINO下载链接OpenVINO Toolkit,下载之前,我们需要根据自己的需求进行一些选择,界面如下图所示:

OpenVINO install types

在Distribution中,有多种安装方式可选。这里主要说明一下其中的[PIP Package Manager]的方式,此方式最简单,但是它只有Inference Engine。所以大家在下载之前要确认好是否只要Inference Engine,如果不是,那就不能选[PIP Package Manager]的方式。
我选的是[Web and Local Install],选定后需要先注册,才能下载;下载完成后,运行相应的安装档进行安装,整个过程根据提示逐步操作即可(在Visual Studio,CMake和Python合适版本已安装好且相关环境变量已设置完成的前提下)。

3. OpenVINO设置环境变量

OpenVINO设置环境变量有两种方法:一种是每次使用时都用命令提示符设置一次;另一种手动永久设置环境变量。

单次设置环境变量

打开command.exe,切换至OpenVINO安装目录下的setupvars.bat文件所在路径,运行setupvars.bat,运行结果如下:

 运行完成后,在同一个command.exe窗口下检查opencv的版本。只有在如下输出结果时,才可以在opencv中调用openvino的相关示例或模型。

注:检查opencv的版本需要在运行setupvars.bat命令之后,且在同一个command.exe窗口中。若另外打开一个command.exe或者将setupvars.bat的运行窗口关闭,则OpenVINO的环境变量设置均处于失效状态。

永久设置环境变量

永久设置较为复杂,详细请参考:

为 Windows 永久设置 OpenVINO™环境变量®10

4. Configure the Model Optimizer

环境变量设置好以后,就可以进行模型优化器(Model Optimizer)的配置了,即官网安装流程中的[Configure the Model Optimizer].
在命令行中切换至如下路径:
运行

5.运行OpenVINO验证脚本

此步运行两个demo脚本来验证OpenVINO™工具包是否安装成功,脚本所在路径
打开命令行,切换至上述路径下,先运行图像分类验证脚本:


该脚本下载一个SqueezeNet模型,使用模型优化器将模型转换为.‍bin和.‍xml 中间表示(IR)文件。该脚本运行成功部分信息如下:

接下来运行图像检测验证脚本,在上一个脚本相同的路径下,在命令提示符中运行demo_security_barrier_camera.bat文件:


该脚本下载了三个经过预先训练的模型IR,构建了Security Barrier Camera Demo 应用程序,并与下载的模型和demo目录中的car_1.bmp 图像一起运行它,以显示推理管道。验证脚本使用车辆识别,其中车辆属性彼此建立,以缩小特定属性的范围。首先,将物体识别为车辆。该标识用作下一个模型的输入,该模型标识特定的车辆属性,包括车牌。最后,将识别为车牌的属性用作第三种模型的输入,该模型可以识别车牌中的特定字符。图像检测结果以及相应显示图像如下:

detect car with OpenVINO

 本文到此结束,感谢支持,欢迎关注。

发表评论

电子邮件地址不会被公开。 必填项已用*标注

此站点使用Akismet来减少垃圾评论。了解我们如何处理您的评论数据

Fork me on GitHub