OPENVINO入坑笔记1--linux上安装OPENVINO

官方教程地址

1. 在linux上安装（推荐用linux安装，环境较windows干净很多，省不少事）
2. 在windows上安装（不推荐，个人安装过，由于电脑python版本很乱，一堆问题）

本教程基于linux-ubuntu-18.04-LTS操作系统，openvino版本为目前最新的2021.1版本。

安装准备

官网下载openvino最新版本（其他版本也可以）：

点击注册和下载选项，填写个人信息后就可以下载了。
这里选择安装的是linux版本，先下载文件然后离线安装。
下载好tgz文件后默认在download文件夹下，就可以开始安装。

安装openvino核心组件

1. 打开命令行，进入下载文件夹,解压文件

$ cd ~/Downloads/
$ tar -xvzf l_openvino_toolkit_p_.tgz

这里要改成自己下载的版本，我这里是

$ tar -xvzf l_openvino_toolkit_p_2021.1.110.tgz

为了方便，以下都用这个文件夹代替，安装时要改成你们自己的版本所在的文件夹
2. 进入解压后的文件夹，准备安装

$ cd l_openvino_toolkit_p_2021.1.110

开始安装，这里官网推荐了两种方法

• 方法1：GUI安装

$ sudo ./install_GUI.sh

• 方法2：命令行安装

$ sudo ./install.sh

我这里用GUI安装。执行方法1的命令后，弹出以下安装窗口，下面就和在win上装软件差不多，一路next.

next后开始正式安装。

接受license协议后点击next。

是否允许intel收集信息，随便选，next。此时软件会验证签名，一般没问题后进入下一步。

这一步列出了一些prerequisites，由于openvino安装时需要cmake，openCL等软件依赖，我这里都没有（可能你的系统之前有一些已经安装了），不过不用担心，后面我们再安装就好。直接点next。

这里列出了安装总结，默认安装位置为opt/intel，我这里选择全部安装，左下角有customize可以自定义安装，点进去就可以更改安装目录等信息，这里我直接默认安装位置，点击install进行安装。

这个界面可能会出现。由于电脑之前没有用过OpenCL驱动，这里提示说它后面会帮助你安装，还是直接点next。

开始安装，等待大概半分钟就好了。

finish完成安装。这时候会打开浏览器进入openvino的安装官网。

安装外部软件依赖

前文中，我们已经安装了核心组件，但是还有一些openvino所需的依赖没有安装，这一部分将会进行安装。

注：如果已将Intel®OpenVINO™发行版安装到非默认安装目录，请用安装软件的目录替换/ opt / intel。

安装的依赖对于以下情况是必需的：

• Intel-optimized build of OpenCV library
• Deep Learning Inference Engine
• Deep Learning Model Optimizer tools

1. 进入到安装依赖项目录

$ cd /opt/intel/openvino_2021/install_dependencies

2. 运行脚本来下载并安装外部软件依赖项

$ sudo -E ./install_openvino_dependencies.sh

执行后会安装各种依赖，保持好的网络环境等待安装就好，如果出现由于网络问题安装失败，请查看这篇文章：ubuntu 更换软件源。
安装依赖项后，继续下一节设置环境变量。

设置环境变量

在编译和运行OpenVINO应用程序之前，必须更新几个环境变量。运行以下脚本临时设置环境变量

source /opt/intel/openvino_2021/bin/setupvars.sh

允许后，出现

[setupvars.sh] OpenVINO environment initialized

表明设置环境变量成功。

当关闭shell时，OpenVINO环境变量将被删除。以后每次使用openvino都要重新执行这一段代码设置环境变量。如果偷懒不想这么麻烦，可以参照下一部分的设置。

永久设置openvino环境变量（可选部分）

1. 打开 .bashrc 文件 （在 目录中）, 执行:

$ cd /home/
$ vi ./bashrc

打开后是上面这样的。

2. 将这一行添加到文件的末尾

source /opt/intel/openvino_2021/bin/setupvars.sh

3. 按下Esc键，输入:wq，保存退出。
4. 要测试更改，请打开一个新终端，将看到
   [setupvars.sh] OpenVINO environment initialized.

设置了环境变量。继续下一节来配置模型优化器。

配置模型优化器

Model Optimizer是一个基于Python的命令行工具，用于从流行的深度学习框架(如Caffe， TensorFlow*， Apache MXNet*， ONNX和Kaldi)导入训练过的模型。

模型优化器是英特尔OpenVINO发行版工具包的关键组件。 如果不通过Model Optimizer运行模型，则无法对训练后的模型进行推断。 当您通过模型优化器运行预训练的模型时，您的输出是网络的中间表示（IR）。 中间表示是一对描述整个模型的文件：

• .xml:描述网络拓扑
• bin:包含权重和偏置的二进制数据

你可以选择一次配置所有受支持的框架，或者一次配置一个框架。选择最适合你需要的选项。如果看到错误消息，请确保安装了所有依赖项。

以下步骤必需联网

• 选项一：同时配置所有支持的框架

$ cd /opt/intel/openvino_2021/deployment_tools/model_optimizer/install_prerequisites
$ sudo ./install_prerequisites.sh

• 选项二：分别配置每个框架，这里我运行的是这个选项，配置onnx框架

$ cd /opt/intel/openvino_2021/deployment_tools/model_optimizer/install_prerequisites
$ sudo ./install_prerequisites_onnx.sh

注意，如果前面更改了软件安装源之后，这里应该很快会下载完成，如果提示下载超时或者一直出现下面的问题

WARNING: Retrying (Retry(total=2, connect=None, read=None, redirect=None, status=None)) after connection broken by ‘NewConnectionError(’: Failed to establish a new connection: [Errno -2] 未知的名称或服务’,)’: /simple/onnx/

请尝试更改软件源或者多试几次（我一开始也下了好久卡在那里，中止后重新下载很快就好了）。
安装完成后出现以下说明则安装成功。

运行验证脚本来验证安装

1. 转到 Inference Engine demo 目录

$ cd /opt/intel/openvino_2021/deployment_tools/demo

2. 运行图像分类验证脚本

$ ./demo_squeezenet_download_convert_run.sh

该验证脚本下载了一个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。 推理引擎需要此转换的模型，因此它可以将IR用作输入并在Intel硬件上实现最佳性能。

这个验证脚本构建图像分类示例异步应用程序，并使用位于演示目录中的car.png图像运行它。当验证脚本完成时，您将拥有前10个类别的标签和信心

然而，此时很可能出现

requests.exceptions.ConnectionError: HTTPSConnectionPool(host='raw.githubusercontent.com', port=443): Max retries exceeded with url: /forresti/SqueezeNet/a47b6f13d30985279789d08053d37013d67d131b/SqueezeNet_v1.1/deploy.prototxt (Caused by NewConnectionError(': Failed to establish a new connection: [Errno 111] Connection refused',))
########## Error: Download failed

报错，其原因可能是连接raw.githubusercontent.com时连接不上，参考此博客给出的解决方案：解决GitHub的raw.githubusercontent.com无法连接问题：

• 在终端输入 sudo gedit /etc/hosts
• 添加以下内容保存即可

# GitHub Start
52.74.223.119 github.com
192.30.253.119 gist.github.com
54.169.195.247 api.github.com
185.199.111.153 assets-cdn.github.com
151.101.76.133 raw.githubusercontent.com
151.101.108.133 user-images.githubusercontent.com
151.101.76.133 gist.githubusercontent.com
151.101.76.133 cloud.githubusercontent.com
151.101.76.133 camo.githubusercontent.com
151.101.76.133 avatars0.githubusercontent.com
151.101.76.133 avatars1.githubusercontent.com
151.101.76.133 avatars2.githubusercontent.com
151.101.76.133 avatars3.githubusercontent.com
151.101.76.133 avatars4.githubusercontent.com
151.101.76.133 avatars5.githubusercontent.com
151.101.76.133 avatars6.githubusercontent.com
151.101.76.133 avatars7.githubusercontent.com
151.101.76.133 avatars8.githubusercontent.com
# GitHub End

• 再次运行

$ ./demo_squeezenet_download_convert_run.sh

成功了！！！

3. 运行推理管道验证脚本

$ ./demo_security_barrier_camera.sh

该脚本下载了三个经过预先训练的模型IR，构建了``安全屏障摄像头演示’'应用程序，并与演示目录中的下载模型和car_1.bmp图像一起运行它以显示推理管道。
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。
当验证脚本完成时，您将看到一个图像，该图像显示结果框架，检测呈现为边界框和文本.

运行结果如下：


大功告成！完成万里长征第一步。

参考资料

1. https://docs.openvinotoolkit.org/latest/openvino_docs_install_guides_installing_openvino_linux.html
2. https://blog.csdn.net/qq_35451572/article/details/79516563?utm_medium=distribute.pc_relevant_t0.none-task-blog-BlogCommendFromMachineLearnPai2-1.channel_param&depth_1-utm_source=distribute.pc_relevant_t0.none-task-blog-BlogCommendFromMachineLearnPai2-1.channel_param
3. https://blog.csdn.net/weixin_41848012/article/details/105810962
4. https://www.cnblogs.com/sinferwu/p/12726833.html