本文翻译自
翻译：coneypo，working in Intel for IoT，有问题或者建议欢迎留言交流
在这篇文章中，我们会介绍如何利用 Intel 的 OpenVINO 软件包来，发挥 OpenCV 中 Deep Neural Network (DNN) / 深度神经网络 模块的的最大性能；
我们也对 CPU 上 OpenCV 和其他深度学习库的性能进行了比较；
OpenCV 中基于 DNN 实现的模型，在很多深度学习任务中，如分类，目标检测，目标追踪和姿态估计，都表现出色；
我们会在这篇文章中探究，是否可能通过 Intel OpenVINO + OpenCV 这样的组合来进行加速；
0. 目录
1. 训练与推理1. 训练和推理
在开始介绍之前，我们要强调这篇文章专注于 Speeding up inference / 加快推理 而不是训练；让我们来看看两者区别：
1. Training / 训练
把深度神经网路视为一个有很多 knobs (parameters) / 旋钮 的黑盒，当旋钮的设置是正确的时候，神经网络就会比较高可能性的给出正确答案；
训练就是来给网络投喂百万级别的训练数据点，以至于神经网络可以按部就班的调整这些旋钮，使得接近正确值；
这种百万级别的数据处理经常是通过 GPU 来进行运算的；
当前 OpenCV 没有提供训练一个 DNN 的方法，然而你可以利用比如 Tensorflow, MxNet, Caffe 等等框架来进行 DNN 模型的训练，然后在你的代码里导入；
2. Inference / 推理
一旦网络训练完成，就可以输入新的数据来获取输出；使用一个训练好的模型，进行输入输出的过程，就叫做 inference / 推理；
一个推理引擎会将输入的数据通过神经网络产生输出结果，这里有很多优化方式来加速推理过程；
比如一个高效的推理引擎可以进行神经网络的 pruning / 修剪，将多个 Layers 融合到一步计算过程；
如果硬件支持 16-bit 浮点数运算 （2倍于 32-bit 浮点数运算），一个推理引擎会提高两倍推理速度，而且不会丢失精度，这种方式称之为 quantization / 量化；
2. OpenVINO Toolkit 介绍
OpenVINO 代表 Open Visual Inferencing and Neural Network Optimization / 开放视觉推理和神经网络优化；
正如 OpenVINO 名称所描述，OpenVINO 被设计用来给网络加速，在视觉推理任务中，比如图像分类和目标检测；
几乎所有用来解决视觉任务的 DNN 是 Convolutional Neural Networks (CNN) / 卷积神经网络；
OpenVINO 对于特定的硬件有特定的硬件加速方式来加速计算过程；
2.1 为什么使用 OpenVINO?
如果你 AI 新入门，或者对于 AI 不是很了解，你会发现这块会很有意思；
当我们想起 AI，我们经常会想起一些公司，比如 Google, Facebook, Amazon, IBM, Baidu 等等；
确实他们推动了算法的发展，但是 AI 不仅在 Training / 训练 上对于算力要求高，在 Inferencing / 推理 的时候对于资源的要求也高；
因此，我们在 AI 兴起的时候，也应该去关注一些硬件公司；
Convolutional Neural Networks (CNN) / 卷积神经网络 经常在 GPU 上进行训练；
NVIDIA 能够提供几乎最好的的硬件 GPU，与此同时软件上面使用 CUDA 和 cuDNN 进行深度学习；
NVIDIA 几乎垄断了深度学习的市场，当训练模型的时候；
然而 GPU 过于昂贵，往往在推理的时候也是不需要的；事实上，大多数的推理是在 CPU 上进行的；
比如 Dropbox 使用 CPU farm 来进行文档的 OCR；
在低成本的设备上进行深度学习，GPU 往往是开销最大；比如你几乎不可能花费几百刀去买一个 GPU 去给一个监控摄像头；
这些小设备，比如监控摄像头或者树莓派，经常被称为 Edge devices / 边缘设备 或者 IoT devices / 物联网设备；
在推理领域，Intel 占有很大份额；除了制造 CPU，Intel 也生产继承了 GPU 的 Vision Processing Units (VPU) 和 FPGA，这些都用来做推理；
Intel 明白尽管选择很多会很好，但是这也是 AI 开发者的噩梦，因为要在不同平台上进行开发就要学习和适应不同平台的开发环境；
幸运的是，Intel 通过 OpenVINO 解决了这种问题，给 AI 开发者提供了一种 Unified Framework / 统一的框架；
OpenVINO 使得可以边缘端进行 CNN-based 深度学习推理，支持跨平台的异构执行，通过一些 OpenCV 和 OpenVX 中一些函数库和预优化的核来加速产品落地时间；
2.2 计算机视觉 Pipeline 和 OpenVINO
上面框图中，除了有最左边 Custom Code / 定制代码 实现的任务；
除此之外，你有右边两种模块：
1. CV/non-DL, 非基于深度学习的计算机视觉任务
2. DL, 基于深度学习的计算机视觉任务
首先，它会优化 OpenCV 中实现的，许多基于传统计算机视觉算法的很多 calls，然后它对于深度学习推理也有特定的优化；
我们如果将 OpenCV 和 OpenVINO 一起使用会从中受益；
3. 使用 OpenVINO 进行深度学习
这一节中，我们会介绍如何在深度学习应用中使用 OpenVINO。
3.1 训练一个深度学习模型
正如我们之前所提到过，OpenCV 或者 OpenVINO 不会给你提供训练神经网络的工具（OpenVINO 专注于 Inference 而不是 Training）；
你可以通过下列任一支持的类型模型来训练神经网络，或者从 zoo 模型下载：
1. Caffe Model Zoo
2. Tensorflow Model Zoo
3. MxNet Model zoo
4. Open Neural Network Exchange (ONNX) Model zoo
3.2 优化模型和创建一个 Intermediate Representation (IR) / 中间表示
之前步骤获得的模型往往没有进行性能的优化，因此，我们利用 OpenVINO 提供的 Model Optimizer / 模型优化器， 来创建一个称之为 Intermediate Representiation (IR) / 中间表示文件 的优化模型；
IR 完全与硬件无关，只取决于神经网络的架构；
下图中展示了用 OpenVINO 部署方式和大多数深度学习框架部署方式的区别：
可以看到模型优化器通过以下机制来优化模型：
1. 对模型进行修剪：移除部分在训练时候需要的，而推理时候不需要的网络；DropOut 就是这种网络层的一个例子；
2. 融合操作：有些时候多步操作可以融合成一步，模型优化器检测到这种就会进行必要的融合；
优化过程结束后会生成一个 IR model / 中间表示模型，模型可以被分成两部分：
1. model.xml: XML 文件包含网络架构；
2. model.bin: bin 文件包含 Weights / 权重 和 Biases / 误差
3.3 OpenVINO 推理引擎： 硬件特殊优化
IR 模型与硬件无关，但是 OpenVINO 通过 Inference Engine plugin / 推理引擎插件 在特定的硬件上进行优化；
这个 Plugin 在所有 Intel 的硬件上 （GPUs, CPUs, VPUs, FPGSs） 都可以获得：
3.4 OpenVINO 和 OpenCV
尽管 OpenCV 的 DNN 已经被高度优化，通过推理引擎我们可以进一步提高性能；
下图中展示了使用 OpenCV DNN 的两种方式；如果在您的平台上可以使用，我们高度推荐 OpenVINO + OpenCV 的组合；
4. Linux 中安装 OpenVINO Toolkit
这一节我们会介绍如何在 Linux 中安装和测试 OpenVINO；
Windows 中的 Openvino 安装可以参考 Intel’s website.
4.1 OpenVINO Toolkit 安装
1. 首先去 OpenVINO Toolkit Download page 注册并下载适合你系统的正确版本，这里我们介绍 Linux 系统中的安装：
2. 你会下载下来如 “l_openvino_toolkit_p_2020.1.023.tgz” 这样一个压缩文件，解压然后安装；
1 cd ~/Downloads/ 2 tar -zxvf l_openvino_toolkit_p_2020.1.023.tgz 3 4 cd l_openvino_toolkit_p_2020.1.023/ 5 sudo ./install_openvino_dependencies.sh 6 sudo ./install_GUI.sh
注意： 如果你 sudo ./install_GUI.sh 的话，路径会是 "/opt/intel/openvino_2020.1.023/" 这种；
如果不是 sudo 身份安装，路径会是 "/home/user/intel/openvino_2020.1.023/";
3. 修改环境变量
vim /home/user/.bashrc
在最后一行加入
source /opt/intel/openvino_2020.1.023/bin/setupvars.sh
4. 打开一个新的 Terminal，可以看到 "OpenVINO enviroment initialized"
5. 配置模型优化器，让我们去模型优化器的路径，然后安装所需文件：
cd /opt/intel/openvino_2020.1.023/deployment_tools/model_optimizer/install_prerequisites/ sudo ./install_prerequisites.sh
4.2 测试 OpenVINO 安装
我们可以用 Image Classification demo 来测试安装：
cd /opt/intel/openvino_2020.1.023/deployment_tools/demo/ sudo ./demo_squeezenet_download_convert_run.sh
可以看到 "Demo completed successfully":
还可以去跑 Inference Pipepline demo:
sudo ./demo_security_barrier_camera.sh
可以看到输出的检测结果：
5. 使用 OpenCV 和 OpenVINO IE 进行图像分类
现在让我们来看看如何利用 OpenVINO IE + OpenCV 进行图像分类。
1. 首先需要加载需要的模块：
C++
1 #include <fstream> 2 #include <sstream> 3 #include <opencv2/dnn.hpp> 4 #include <opencv2/imgproc.hpp> 5 #include <opencv2/highgui.hpp> 6 #include <iostream> 7 8 using namespace std; 9 using namespace cv; 10 using namespace cv::dnn;
Python
1 import numpy as np 2 import time 3 import cv2
2. 下一步指定 Caffe 的根路径和模型路径：
C++
1 string caffe_root = "/home/zt/caffe/"; 2 Mat image = imread("/home/zt/caffe/examples/images/cat.jpg"); 3 string labels_file = "/home/zt/caffe/data/ilsvrc12/synset_words.txt"; 4 string prototxt = "/home/zt/caffe/models/bvlc_reference_caffenet/deploy.prototxt"; 5 string model = "/home/zt/caffe/models/bvlc_reference_caffenet/bvlc_reference_caffenet.caffemodel";
Python
1 caffe_root = '/home/zt/caffe/' 2 image = cv2.imread('/home/zt/caffe/examples/images/cat.jpg') 3 labels_file = caffe_root + 'data/ilsvrc12/synset_words.txt' 4 prototxt = caffe_root + 'models/bvlc_reference_caffenet/deploy.prototxt' 5 model = caffe_root + 'models/bvlc_reference_caffenet/bvlc_reference_caffenet.caffemodel'
3. 接下来就是常用的图像分类代码，加了一点轻微改动；
我们会声明优先选取 cv2.dnn.DNN_BACKEEND_INFERENCE_ENGINE;
C++
1 // load the labels file 2 std::ifstream ifs(labels_file.c_str()); 3 if (!ifs.is_open()) 4 CV_Error(Error::StsError, "File " + labels_file + " not found"); 5 string line; 6 while (std::getline(ifs, line)) 7 { 8 classes.push_back(line); 9 } 10 } 11 blobFromImage(image, blob, 1, Size(224, 224), Scalar(104,117,123)); 12 cout << "[INFO] loading model..." << endl; 13 Net net = readNetFromCaffe(prototxt, model); 14 net.setPreferableBackend(DNN_BACKEND_INFERENCE_ENGINE); 15 net.setPreferableTarget(DNN_TARGET_CPU); 16 17 // set the blob as input to the network and perform a forward-pass to 18 // obtain our output classification 19 net.setInput(blob) 20 preds = net.forward() 21 22 double freq = getTickFrequency() / 1000; 23 std::vector<double> layersTimes; 24 double t = net.getPerfProfile(layersTimes) / freq; 25 cout << "[INFO] classification took " << t << " ms" << endl;
Python
1 // load the labels file 2 rows = open(labels_file).read().strip().split(" ") 3 classes = [r[r.find(" ") + 1:].split(",")[0] for r in rows] 4 5 blob = cv2.dnn.blobFromImage(image,1,(224,224),(104,117,123)) 6 print("[INFO] loading model...") 7 net = cv2.dnn.readNetFromCaffe(prototxt,model) 8 net.setPreferableBackend(cv2.dnn.DNN_BACKEND_INFERENCE_ENGINE) 9 net.setPreferableTarget(cv2.dnn.DNN_TARGET_CPU) 10 # set the blob as input to the network and perform a forward-pass to 11 # obtain our output classification 12 net.setInput(blob) 13 start = time.time() 14 preds = net.forward() 15 end = time.time() 16 print("[INFO] classification took " + str((end-start)*1000) + " ms")
就是这样，仅仅需要用 OpenVINO IE 来替代原生的 OpenCV (cv2.dnn.DNN_BACKEDN_OPENCV);
6. OpenCV 和 OpenCV + IE 的比较
这些比较任务在一台使用 OpenCV-3.4.3，只有 CPU 的 Ubuntu 16.04 AWS 机器上测试；
取100次的平均时间；
Image Classification / 图像分类
Object Detection / 目标检测
Pose Estimation / 姿态估计
从这些数据中可以很清楚的看到，使用 OpenCV + OpenVINO 可以提高计算机视觉库的性能；
# 英文版权 @
# 翻译中文版权 @ coneypo
# 转载请注明出处