【翻译】OpenVINO Pre-Trained 预训练模型介绍

OpenVINO 系列软件包预训练模型介绍

本文翻译自 Intel OpenVINO 的  "Overview of OpenVINO Toolkit Pre-Trained Models"

原文链接： https://docs.openvinotoolkit.org/latest/_models_intel_index.html

翻译：coneypo，working in Intel for IoT，有问题或者建议欢迎留言交流

 

Q&A

问：用 Pre-trained model 可以干什么？

答：我们可以用 Pre-trained 的模型直接输入数据进行 model inference / 推理，而不需要收集数据集自己 Train 一个 model，这些训练好的模型拿来即用，适合新手学习；

 

问：如何使用 OpenVINO 预训练模型进行推算？

答：

1. 先下载安装 OpenVINO 环境: https://docs.openvinotoolkit.org/cn/index.html；

2. OpenVINO 提供的 model zoo 的示例代码在这个 repo ：

$ git clone https://github.com/opencv/open_model_zoo

$ cd /open_model_zoo/demos/python_demos/

3. 比如有一个 face_recognition_demo/ 文件夹，里面有个 README.md 告诉怎么配置参数：

python ./face_recognition_demo.py ^
-m_fd /face-detection-retail-0004.xml ^
-m_lm /landmarks-regression-retail-0009.xml ^
-m_reid /face-reidentification-retail-0095.xml ^
--verbose ^
-fg "C:/face_gallery"

4. 下载模型

$ cd //deployment_tools/open_model_zoo/tools/downloader/

$ sudo ./downloader.py --name face-detection-retail-0004

$ sudo ./downloader.py --name landmarks-regression-retail-0009.xml

$ sudo ./downloader.py --name face-reidentification-retail-0095.xml

5. 运行 face_recognition_demo.py

 

这篇文章中会介绍如下模型：

• Object Detection Models / 目标检测模型
• Object Recognition Models / 目标识别模型
• Reidentification Models / 回归模型
• Semantic Segmentation Models / 语义分割模型
• Instance Segmentation Models / 实例分割模型
• Human Pose Estimation Models / 人类姿势识别模型
• Image Processing/ 图像处理
• Text Detection / 文本检测
• Text Recognition / 文本识别
• Text Spotting / 文本识别
• Action Recognition Models / 动作识别模型
• Image Retrieval / 图像检索
• Compressed models / 压缩模型

 

OpenVINO 软件包提供一系列预训练模型，你可以用来进行学习，或者进行参考设计；

OpenVINO 的版本会在 Github_open_model zoo 上面进行维护；

这些模型也可以通过模型下载器 (/deployment_tools/open_model_zoo/tools/downloader) 下载，或者在 01.org 进行手动下载；

 

 

*（补充）Classification / 分类，Detection / 检测，Semantic Segmentation / 语义分割，Instance Segmentation / 实例分割 区别

 

Object Detection Models / 目标检测模型

OpenVINO 提供一系列热门目标，如人脸/人/汽车等等的检测模型；大多数网络都是基于 SSD (Single Shot MultiBox Detector)，而且准确度和性能都不错；

针对于检测相同类型目标的网络（比如 face-detection-adas-0001 和 face-detection-retail-0004），能够以较小的性能代价，让我们达到更高的精度和更广的适用范围；

因此你可以期待一个更大的神经网络，来更好的检测相同类型的对象；

模型名称	复杂度 (GFLOPS)	大小(MP)	人脸	人	汽车	自行车	车牌	产品
faster-rcnn-resnet101-coco-sparse-60-0001	364.21	52.79		X	X	X
face-detection-adas-0001	2.835	1.053	X
face-detection-adas-binary-0001	0.819	1.053	X
face-detection-retail-0004	1.067	0.588	X
face-detection-retail-0005	0.982	1.021	X
face-detection-0100	0.785	1.828	X
face-detection-0102	1.767	1.842	X
face-detection-0104	2.405	1.851	X
face-detection-0105	2.853	2.392	X
face-detection-0106	339.597	69.920	X
person-detection-retail-0002	12.427	3.244		X
person-detection-retail-0013	2.300	0.723		X
person-detection-action-recognition-0005	7.140	1.951		X
person-detection-action-recognition-0006	8.225	2.001		X
person-detection-action-recognition-teacher-0002	7.140	1.951		X
person-detection-raisinghand-recognition-0001	7.138	1.951		X
pedestrian-detection-adas-0002	2.836	1.165		X
pedestrian-detection-adas-binary-0001	0.945	1.165		X
pedestrian-and-vehicle-detector-adas-0001	3.974	1.650		X	X
vehicle-detection-adas-0002	2.798	1.079			X
vehicle-detection-adas-binary-0001	0.942	1.079			X
person-vehicle-bike-detection-crossroad-0078	3.964	1.178		X	X	X
person-vehicle-bike-detection-crossroad-1016	3.560	2.887		X	X	X
vehicle-license-plate-detection-barrier-0106	0.349	0.634			X		X
product-detection-0001	3.598	3.212						X
person-detection-asl-0001	0.986	1.338		X
yolo-v2-ava-0001	29.38	48.29		X	X	X
yolo-v2-ava-sparse-35-0001	29.38	48.29		X	X	X
yolo-v2-ava-sparse-70-0001	29.38	48.29		X	X	X
yolo-v2-tiny-ava-0001	6.975	15.12		X	X	X
yolo-v2-tiny-ava-sparse-30-0001	6.975	15.12		X	X	X
yolo-v2-tiny-ava-sparse-60-0001	6.975	15.12		X	X	X

 

Object Recognition Models / 目标识别模型

目标识别模型用来进行 Classification / 分类，Regression / 回归，Charcter recognition / 特征识别；

针对某种特征进行检测之后，再使用这些神经网络进行检测/识别（比如在人脸识别之后，再进行年龄/性别的识别）；

模型名称	复杂度 (GFLOPS)	大小 (MP)
age-gender-recognition-retail-0013	0.094	2.138
head-pose-estimation-adas-0001	0.105	1.911
license-plate-recognition-barrier-0001	0.328	1.218
vehicle-attributes-recognition-barrier-0039	0.126	0.626
emotions-recognition-retail-0003	0.126	2.483
landmarks-regression-retail-0009	0.021	0.191
facial-landmarks-35-adas-0002	0.042	4.595
person-attributes-recognition-crossroad-0230	0.174	0.735
gaze-estimation-adas-0002	0.139	1.882

 

Reidentification Models / 再识别模型

在视频中，进行精准的目标追踪是计算机视觉的典型应用场景；

它通常会因为一系列的事情而变得相对比较复杂，这些事情可以描述为 "Relatively long absence of an object" / 一个对象相对较长的缺失；

比如，可能由于 occlusion / 遮挡 或者 out-of-frame movement / 框外移动 导致的；

针对这种情况，最好将目标视为 "seen before" / 先前见过的，而不管其在图像中的当前位置，或者距离上次识别出位置经过多长时间；

下面的网络用在以上这种情况，这些网络获取一个人的图像，然后将这个人的特征在高维空间中进行评估；这些特征向量会进行进一步评估：通过比较欧式距离来确定是否是同一个人；

这里提供了几种模型，在性能和精确度之间进行权衡（模型更大，性能更好）：

模型名称	复杂度 (GFLOPS)	大小 (MP)	RANK-1 ON MARKET-1501 数据集
person-reidentification-retail-0031	0.028	0.280	92.11%
person-reidentification-retail-0248	0.174	0.183	84.3%
person-reidentification-retail-0249	0.564	0.597	92.9%
person-reidentification-retail-0300	3.521	5.289	96.3%

 

模型名称	复杂度 (GFLOPS)	大小 (MP)	RANK-1 ON MARKET-1501 数据集
face-reidentification-retail-0095	0.588	1.107	99.33%

 

Semantic Segmentation Models / 语义分割模型

语义分割可以归为目标检测的拓展问题；

返回的不是特征框，语义分割模型返回输入图像（图像中每个像素的颜色代表着特定的类别）的 Painted version / 涂色块；

这些网络比目标检测网络要复杂的多，但是提供了一个像素级别的分类，属于同一类的像素会被归为一类（涂上相同颜色），而且可以检测到复杂图形中的空间（比如道路中的可用区域）；

模型名称	复杂度(GFLOPS)	大小 (MP)
road-segmentation-adas-0001	4.770	0.184
semantic-segmentation-adas-0001	58.572	6.686
unet-camvid-onnx-0001	260.1	31.03
icnet-camvid-ava-0001	151.82	25.45
icnet-camvid-ava-sparse-30-0001	151.82	25.45
icnet-camvid-ava-sparse-60-0001	151.82	25.45

 

Instance Segmentation Models / 实例分割模型

实例分割模型是目标检测和语义分割的拓展；

实例分割模型不是对每个目标实例进行特征框预测分析，而是为每个实例生成像素级别的遮罩；

模型名称	复杂度 (GFLOPS)	大小 (MP)
instance-segmentation-security-1025	30.146	26.69
instance-segmentation-security-0050	46.602	30.448
instance-segmentation-security-0083	365.626	143.444
instance-segmentation-security-0010	899.568	174.568

 

Human Pose Estimation Models / 人类姿势估计模型

人体姿势估计任务用来预测姿势：对于输入的图像或者视频，推断出带有特征点和特征点之间连接的身体骨骼；特征点是身体器官：比如耳朵，眼睛，鼻子，胳膊，膝盖等等；

有两种主要的分类：top-down / 从上往下， bottom-up / 从下往上；

第一种方法在给定的帧中，检测出人，然后裁剪和调整，运行姿势估计网络为每个检测出来的人，这种方法很精确；

第二种找到给定的帧中，所有的特征点，然后根据人的实例进行分类，因此比第一种更快，因为网络只运行了一次；

模型名称	复杂度 (GFLOPS)	大小 (MP)
human-pose-estimation-0001	15.435	4.099

 

Image Processing / 图像处理

深度学习模型在图像处理中应用来提高输出质量：

模型名称	复杂度 (GFLOPS)	大小 (MP)
single-image-super-resolution-1032	11.654	0.030
single-image-super-resolution-1033	16.062	0.030
text-image-super-resolution-0001	1.379	0.003

 

Text Detection / 文本检测

深度学习模型在文本检测中进行应用：

模型名称	复杂度 (GFLOPS)	大小 (MP)
text-detection-0003	51.256	6.747
text-detection-0004	23.305	4.328

 

Text Recognition / 文本识别

深度学习模型在文本识别中应用；

模型名称	复杂度 (GFLOPS)	大小 (MP)
text-recognition-0012	1.485	5.568
handwritten-score-recognition-0003	0.792	5.555
handwritten-japanese-recognition-0001	117.136	15.31

 

Text Spotting / 文本定位识别

深度学习模型用于文本检测识别；

模型名称	复杂度 (GFLOPS)	大小 (MP)
text-spotting-0002-detector	185.169	26.497
text-spotting-0002-recognizer-encoder	2.082	1.328
text-spotting-0002-recognizer-decoder	0.002	0.273

 

Action Recognition Models / 动作识别模型

动作识别模型对一个视频短片（通过堆叠来自输入视频的采样帧得到的张量）预测动作；

一些模型从不同的视频片段中提取（比如 driver-action-recognition-adas-0002 可能会使用预计算的高维度）特征（嵌入） 然后整合到一个临时模型中，用分类分数来预测一个向量；

计算嵌入的模型称为 encoder / 编码器，用来预测真实标签的模型称为 decoder / 解码器；

模型名称	复杂度 (GFLOPS)	大小 (MP)
driver-action-recognition-adas-0002-encoder	0.676	2.863
driver-action-recognition-adas-0002-decoder	0.147	4.205
action-recognition-0001-encoder	7.340	21.276
action-recognition-0001-decoder	0.147	4.405
asl-recognition-0004	6.660	4.133

 

Image Retrieval / 图像检索

深度学习模型用来进行图像检索（根据相似度对图像进行排序）；

模型名称	复杂度 (GFLOPS)	大小 (MP)
image-retrieval-0001	0.613	2.535

 

Compressed Models / 压缩模型

深度学习压缩模型；

模型名称	复杂度 (GFLOPS)	大小 (MP)
resnet50-binary-0001	1.002	7.446
resnet18-xnor-binary-onnx-0001	-	-

 

欢迎使用 Intel OpenVINO Toolkit 进行 AI 开发，OpenVINO（SW）+ MyriadX VPU（HW） 主要侧重于 Inference 推算时的加速，借助 Intel VPU 可以对边缘端设备推演时进行加速；

我会在之后的 blog 里面更新详细的 sample code 的用法；

开发过程中若有问题欢迎留言；