(一)openvino初识安装

一、简介

Intel® 分布的 OpenVINO 工具包快速部署应用程序和模拟人类视觉的解决方案。基于在卷积神经网络 (CNN),该工具包横跨计算机视觉 (CV) 工作负载 Intel® 硬件,最大限度提高性能。英特尔发布的 OpenVINO 工具包包括 Intel® Deep 学习部署工具套件 (Intel® DLDT)。

英特尔发布的 OpenVINO 工具套件 Linux *:

1、启用基于 CNN 的深度学习推理边缘
2、在 Intel® CPU、 Intel® 集成显卡、 Intel® Movidius™ 神经 Compute Stick (NCS)、 Intel® 神经 Compute Stick 2 和采用 Intel® Movidius™ VPUs Intel® 视觉加速器设计支持异构的执行
3、速度的上市时间通过一个易于使用库的计算机视觉函数和优化前的内核
4、包括计算机视觉标准,包括 OpenCV *、 OpenCL™,和 OpenVX * 优化的电话

总结:废话不多说,英特尔的东西还是很给力的,因为工作上的需要,接触到了英特尔的神经计算棒,从一代的NCS到二代的NCS2,性能速度都在不断的提升优化,是嵌入式视觉方面学习开发者的一大福音。

二、获取OpenVINO工具套件

1、进入OpenVINO英特尔开始页面,根据自己系统需要选择系统版本,本人使用的是linux系统,下面都以linux安装使用作为介绍。
(一)openvino初识安装_第1张图片
(一)openvino初识安装_第2张图片
2、下拉到安装步骤的下载最新版本,进入页面进行注册,填好自己的邮箱作为接收注册信息链接
(一)openvino初识安装_第3张图片
(一)openvino初识安装_第4张图片
3、登录自己的邮箱,会收到英特尔的邮件,点开进入下载链接(这是我的邮箱收到的)
(一)openvino初识安装_第5张图片
(一)openvino初识安装_第6张图片
4、开始下载,分为在线版跟完整版,根据需要选择,下面是我下载的完整版
(一)openvino初识安装_第7张图片

三、安装OpenVINO套件

1、回到安装教程,我刚下载的工具包在Downloads文件夹下。
2、开始安装,比较简单,不多说,按照命令行即可
依赖安装

cd ~/Downloads/
tar -vxf l_openvino_toolkit_p_2018.5.445.tgz
cd l_openvino_toolkit_p_2018.5.445
sudo -E ./install_cv_sdk_dependencies.sh

安装核心工具包,图形化和命令行两种,我选择方便的图形化方式,安装可以有根用户也就是root方式安装或者普通权限运行,默认安装路径取决于使用的哪种,这里使用root方式安装

sudo ./install_GUI.sh

一路同意与next后,到最后finish完成
(一)openvino初识安装_第8张图片
我使用的root方式安装,所以安装默认目录是

/opt/intel/computer_vision_sdk_2018.5.445

如果是普通用户方式,则为

/home/***/intel/computer_vision_sdk_2018.5.445

3、设置环境变量
暂时设置方式

source /opt/intel/computer_vision_sdk/bin/setupvars.sh

永久设置方式

vi ~/.bashrc
source /opt/intel/computer_vision_sdk/bin/setupvars.sh
source ~/.bashrc

4、配置模型优化器

cd /opt/intel/computer_vision_sdk/deployment_tools/model_optimizer/install_prerequisites
sudo ./install_prerequisites.sh

在这里插入图片描述

四、验证安装

1、映像分类演示

cd /opt/intel/computer_vision_sdk/deployment_tools/demo
./demo_squeezenet_download_convert_run.sh

本演示将创建目录位于 /home/ < 用户 > inference_engine_samples /。
成功标志:
(一)openvino初识安装_第9张图片
2、推理流水线演示

./demo_security_barrier_camera.sh

结果:
(一)openvino初识安装_第10张图片

五、后记

由于工作繁忙以及保密性,后续更新可能较慢,大家有问题可以留言,我会尽可能回复,大家一起交流学习。后续可能会整理一些神经计算棒的使用以及集成ROS的博客,目前已经在做了

你可能感兴趣的:(ROS机器人开发,神经计算棒,ROS,计算棒)