树莓派3上安装使用NCS2之三：自己模型成功转换并识别

书接上回https://blog.csdn.net/weixin_44345862/article/details/99960398树莓派3上安装使用NCS2之二：intel OPENVINO转化tensorflow模型,一句话死活过不去，惹不起我还躲不起啊，这么垃圾的官网教程，我在自己的干净的windows10系统上装了openVINO专门用于tensorflow模型转神经计算棒NCS2能识别的bin和xml文件对儿。最简单的安装就是在win10上了，官网安装指导连接：https://docs.openvinotoolkit.org/2019_R1/_docs_install_guides_installing_openvino_windows.html 简单说几句：
下载的w_openvino_toolkit_p_2019.1.087版本，为了跟树莓派上的版本差不多但又不超过他，以确保这里转化的模型能在树莓派上运行啊！
Visual Studio 2017 Community版本（注册后永久免费，官网的只有2019版本了，找这个费了一些功夫）
cmake-3.14.6-win64-x64
python-3.6.5-amd64
一路很顺畅，唯一令我担忧的是运行install_prerequisites.bat的时候，它装了所有的平台依赖，并且过程中看到安得tensorflow是1.14.0，可我的树莓派上装的是tensorflow1.13.1，一顿各种下载安装条滚完之后，最后竟然还出了红色的错误部分，不知道是哪个平台的依赖出了问题，所以其实不如运行option2因我只在乎tensorflow, 单独的配置语句为：install_prerequisites_tf.bat，于是又跑了一遍这句单独安装tensorflow，
同样出了前面的红色错误提示，

看来问题出现在tensorflow这里，干脆正好我想装1.13.1，于是就自己pip安装tensorflow1.13.1，语句为：
pip3 install tensorflow==1.13.1

安装结尾样的：

然后开始转化模型，东西不能放在c盘，因创建文件有管理员权限要求，所以在d盘新建文件夹mytest，操作在此目录下进行。
首先是参考别人的输入：python “C:\Program Files (x86)\IntelSWTools\openvino\deployment_tools\model_optimizer\mo_tf.py” --input_model frozen_inference_graph.pb --output_dir uban --data_type FP16 --batch 1

最后是错误
加入shap,语句如下：python “C:\Program Files (x86)\IntelSWTools\openvino\deployment_tools\model_optimizer\mo_tf.py” --input_model frozen_inference_graph_demo.pb --input_shape [1,224,224,3] --output_dir demo --data_type FP16
还是错误：

最后参考官网的输入指令模式https://docs.openvinotoolkit.org/2019_R1/_docs_MO_DG_prepare_model_convert_model_tf_specific_Convert_Object_Detection_API_Models.html 得到了正确结果。输入：
python “C:\Program Files (x86)\IntelSWTools\openvino\deployment_tools\model_optimizer\mo_tf.py” --input_model frozen_inference_graph.pb --tensorflow_use_custom_operations_config ssd_v2_support.json --tensorflow_object_detection_api_pipeline_config pipeline.config --data_type FP16 --reverse_input_channels

后面是

成功后，在mytest文件夹多了三个文件：frozen_inference_graph.bin，frozen_inference_graph.xml和frozen_inference_graph.mapping，只需要把frozen_inference_graph.bin，frozen_inference_graph.xml两个放到树莓派就可以了。其它三个文件是运行转化语句前需要准备好的。

需要的三个文件：frozen_inference_graph.pb，pipeline.config和ssd_v2_support.json,不用指出输出路径和文件名，自动输出到mytest文件夹里。frozen_inference_graph.pb是我训练的固化好的模型，pipeline.config是我训练时自动生成的，我打开看了一下，跟训练需要使用的config文件是一样的，如下：

ssd_v2_support.json是从openvino安装目录下拷贝过来的，C:\Program Files (x86)\IntelSWTools\openvino_2019.1.087\deployment_tools\model_optimizer\extensions\front\tf文件夹下：

官网说ssd_v2_support.json — for frozen SSD topologies from the models zoo，虽然我的模型训练用的是ssd_mobilenet_v1_coco_2017_11_17可官网都这么说了，那我就省点事，直接用吧，可能上面的那个ssd_support.json更好，但谁让我这个成功了呢，留给后来人验证吧。
把frozen_inference_graph.bin，frozen_inference_graph.xml两个放到树莓派与之一同样的路径和代码，输入：
./armv7l/Release/object_detection_sample_ssd -m frozen_inference_graph.xml -d MYRIAD -i /home/pi/Downloads/build/example.jpg

使用同样的图片（上次是人脸，这次是我手中的目标物，识别到人脸是不可能的，除非造假，因训练模型的时候，config中我设置的识别类为1），看到我手中的粉色方框了吧，那就是我的目标物。识别出来了！哈哈哈哈。

过程和性能如下：


接近21帧每秒的速度，太惊人了。没用此棒之前是延迟5-10s，是不是此棒性能输出造假？我还需要下一步自己写摄像头程序，实测一下！
用opencv测试图片的代码如下（摄像头的见之四https://blog.csdn.net/weixin_44345862/article/details/100035834）：

—经过自己写python程序，调用摄像头实测，可以实现实时跟随，毫无卡顿，太厉害了！哈哈，打假失败，原来是真的！