11、(复现)openvino 扑克检测模型,ssd_mobilenet轻量级模型,ssd+tensorflow,pytorch+yolov5,转openvino加速,onnx使用及网络架构的摘除转化

# 关键词:

        训练ssd_mobilenet 轻量级模型、  ssdlite_mobilenet 转为 openvino、cpu级别的加速、

        yolov5转为openvino、tensorflow+ssd训练数据、pytorch+yolov5训练数据、

        yolov5、SSD目标检测模型、模型压缩、openvino(intel公司的推理加速模型)、开放神经网络转化器:onnx、

          ssdlite_mobilenet 轻量目标检测模型、模型加速、netron网络层-查看工具、wandb可视化工具、tensorflow+ssd、pytorch+yolov5


# 厉害之处:即使放在cpu上推理、也可以到 60-70帧率/每秒!!!3-4倍加速!!!

目标:
    1、训练轻量级目标检测模型 ssdlite_mobilenet_v2
    2、使用openvino对 ssdlite_mobilenet 进行加速
    3、使用openvino对yolov5 进行加速
    *4、树莓派 + ncs2(神经计算加速棒)运行 openvino模型....        # 舍弃、没板子!!

# 目的:
    1、SSD目标检测模型
    2、轻量目标检测模型 ssdlite_mobilenet
    3、openvino
    4、ssdlite_mobilenet 转为 openvino
    5、yolov5 转为 openvino
    *6、树莓派安装 openvino                  # 舍弃、没板子!!
    *7、树莓派 + ncs2(神经计算加速棒)运行 openvino模型....          # 舍弃、没板子!!

一、SSD目标检测模型:
    目标检测方法,分类:                    
        1、one-stage(一阶段方法):    如yolo,SSD的方法,             优点:速度快!!!
                        思路: 均匀地在图片的不同位置,进行密集采集抽样,抽样时,可采用不同的尺寸和长宽比,
                              然后,利用 CNN提取特征后,直接进行分类和回归,这只需要一步!!

        2、two-stage(二阶段方法):    如 r-cnn方法,             优点:准确度高!!
                        思路: 通过启发式方法,或是CNN网络,产生一系列候选框,再对候选框,进行分类和回归! 

    SSD: Single Shot MultiBox Detector , 一阶段、多框、检测,

    SSD的网络架构:
            在vgg 16的网络结构基础上,添加了一些卷积层,进行下采样的特征提取
            使用vgg的网络架构,提取图形的有用特征,     之后,再通过几个卷积层,进行下采样的特征提取!
            可以理解为:    就是在原图上,不同的尺寸,特征表达,        大尺寸:检测小目标,小尺寸:检测大目标!


    vgg 16:    当年参加 打imageNet比赛,提出的架构!
    vgg 16的网络架构:    卷积不改变画面大小,通过池化层,将通道数,降为原来的一半!
                不同尺寸的缩放比例:     2的1~5次方,压缩比例!   2-4-8-16-32。       224*224*3->112*112*64 
                                                    ->56*56*128->28*28*256->14*14*512...->7*7*512、        
                最后,通过3个全连接层,将他修改为,输出为1000类的概率信息!!!
                vgg网络,一层一层的往下输送!!! 尺寸,也进行了改变!!

    SSD中,对VGG16的修改之处:
            1、输入图像,由244->300        2、fc6、fc7变成卷积层
            3、修改了最后一个 pool的大小    4、去掉了所有的dropout层,和fc8层,全改成了卷积层!
        详细介绍:    conv4、conv7、conv8、conv9、conv10、conv11,这6个卷积层提取出来,作为目标检测的6个征图....没全部提取!!
                从conv4开始,2的3次方==8,        尺寸=原来的1/8,        300÷8=37.5≈38,conv4的尺寸== 38*38*512     512=上层输送的通道数!

    yolo和SSD的不同:
            1、yolo是以画出小格子的方式,检测出物体和框框
            2、ssd,先验框的方式,借鉴了fast-rcnn中的锚框,命名为ssd default box(先验框),精心挑选的,比例都是量身定制统计筛选过的。

                先验框:预设不同尺寸的框,提前在图像上预设好的不同大小,不同长宽比的框
                先验框的粗糙理解,可以理解为在6个不同尺寸的特征图中,以先预定长宽比的框先标定,再用nms筛出iou最大的一个框!

    ssd_mobilenet_v2:    非常轻量的检测模型!
            简单理解: 就是用 mobilenet_v2 替换掉了,原来的 VGG 16网络架构!因为对移动端而言,vgg 16太大了,运行太慢了!!!
            mobilenet,谷歌公司提出的轻量级神经网路,移动端和嵌入式使用,减少了卷积运算,降低了参数量,提高了速度!


二、训练ssdlite_mobilenet_v2_coco 模型:【tensorflow + ssd + openvino】
    
   1.1 安装TensorFlow object detection            环境: course_tf1_env1

    ## 流程:          两个问题:1、cmake编译错误!    2、python 3.6换成 3.7,     3、降低 pip 版本!
    1、安装 tensorflow object detection,或者直接解压已有的文件!!
        安装git工具:    conda install -c anaconda git
        使用,    git clone https://github.com/tensorflow/models.git    克隆仓库到一个空的文件夹。
    2、创建3.6的训练环境:
        conda create --name course_tf1_env python=3.6
    3、# 安装TensorFlow 1.15            (cuda 10.1及以上!)
        pip install tensorflow-gpu==1.15
    4、# 安装protobuf,编译工具!
        conda install -c anaconda protobuf
    5、# 安装object detection,进入解压目录!!models下的research目录!!!
        cd models/research
    6、# 编译
        protoc object_detection/protos/*.proto --python_out=.
    7、如果是probuf 3.5及以后的版本!!!        # Windows and using Protobuf 3.5 or later
        Get-ChildItem object_detection/protos/*.proto | foreach {protoc "object_detection/protos/$($_.Name)" --python_out=.}

    8、#拷贝# 安装
        cp object_detection/packages/tf1/setup.py .
        python -m pip install --use-feature=2020-resolver .
    9、验证:::  打印出一切 ok,就是正常!!!
        python object_detection/builders/model_builder_tf1_test.py

    ### 小插曲: vs studio报错!!!
        vs各个版本,查找ms-build路径的命令,我的是vs 2019社区版本的,如下命令!!!:
"C:\Program Files (x86)\Microsoft Visual Studio\Installer\vswhere.exe" -latest -prerelease -products * -requires Microsoft.Component.MSBuild -find MSBuild\**\Bin\MSBuild.exe

    ### 正确路线::            1、下载python 3.7        ::: 解决 opencv的编译错误
                    2、降低pip 版本            ::: python -m pip install pip==20.2 -i https://pypi.tuna.tsinghua.edu.cn/simple
    

   1.2 测试预训练模型                    环境:course_tf2_env

    # 创建Python=3.6的虚拟环境        
    conda create --name course_tf2_env python=3.7        #  3.6的有问题,下载 3.7的!!!   一定要 3.7的,3.6的会报错!!!!
                                #   python -m pip install pip==20.2 -i https://pypi.tuna.tsinghua.edu.cn/simple
    # 安装TensorFlow 2.2.0
    #pip install tensorflow==2.2.0        # 除非你是cuda 10.1,装不了gpu版的 tf,不然别装这个!
    pip install tensorflow-gpu==2.2.0

    # 安装protobuf
    conda install -c anaconda protobuf

    # 安装object detection
    cd models/research
    # 编译
    protoc object_detection/protos/*.proto --python_out=.
    # Windows and using Protobuf 3.5 or later
    Get-ChildItem object_detection/protos/*.proto | foreach {protoc "object_detection/protos/$($_.Name)" --python_out=.}

    # 安装
    cp object_detection/packages/tf1/setup.py .
    python -m pip install --use-feature=2020-resolver .
    # 安装OpenCV
    pip install opencv-python==4.4.0.40

    # 测试,官方的预训练模型:
        取出  2、预训练模型的文件夹,切目录,python tf_test.py 运行测试!!!  完成!!!

   1.3 准备训练数据集
    1、切回第一个训练的环境,激活,安装 lableImg:     pip install lableImg
    2、解压数据集,标注!!
    3、注意:    不同于 yolov5的 coco数据集,    ssd采用的是 pascal voc 数据集!!!        lableImg,记得进行,格式切换!!
    4、解压:    复制已经标注好的数据集,    放在和 models 同级的目录!!
            tar文件,命令行解压!!        tar -xvf pascal_voc_images.tar.gz     # 文件名字 pascal_voc_images.tar.gz
            命令行解压的好处:    在没有解压软件,或是只有命令行的情况下,进行解压!!!

    5、制作训练类别! 1-52,各个类别!!对应的是什么!!!
            打开lable img,查看一下数据集,以及标注情况!!!
    6、样本类别、名称,生成脚本!
            脚本  ./annotations/Untitled.ipynb        类别文件!!    ./annotations/label_map.pbtxt     # 【注意格式:pbtxt】
   1.4 训练模型
    1-3 里有训练代码,把训练代码文件夹里的文件,复制后,放在models同级目录!!!
    tf_record,  tensorflow自己读取数据集的格式,需要有这个才能,读取标注数据
    
    2、生成 tf-record,运行脚本命令!!
        训练集,测试集,分别运行:    (models同级目录!!)
        # 生成训练集
        python generate_tfrecord.py -x data/images/train -l data/annotations/label_map.pbtxt -o data/annotations/train.record

        # 生成测试集
        python generate_tfrecord.py -x data/images/test -l data/annotations/label_map.pbtxt -o data/annotations/test.record

        # python代码                -x 路径: 图片路径      -l : 标签lable                -o:      输出文件, 名字和位置...

   1.5  修改配置文件!!!
    创建一个新的文件夹pretrained_model与models同级,将预训练模型文件夹复制进pretrained_model
    修改训练配置文件
    用VS CODE等文本编辑器打开data/ssdlite_mobilenet_v2_coco.config配置文件,修改以下内容:
        1、  ssd {num_classes: 6 # 修改为检测类别数量    ##  6- 52
        2、  train_config: {batch_size: 24 # batch size        # 批数量,量力而行,24就挺好...   一个批次时间多久,越短越好,调优
        3、 fine_tune_checkpoint: "./pretrained_model/ssdlite_mobilenet_v2_coco_2018_05_09/model.ckpt"   # 预训练模型位置,后面的 .index,不用管!!
        【训练样本路径】
        4、 train_input_reader: {tf_record_input_reader {input_path: "./data/annotations/train.record" # 训练集tfrecord位置,    
        5、 label_map_path: "./data/annotations/label_map.pbtxt"                           # 标注文件位置
        【测试样本路径】
        6、 eval_input_reader: {tf_record_input_reader {input_path: "./data/annotations/test.record"     # 测试集tfrecord位置,    
        7、 label_map_path: "./data/annotations/label_map.pbtxt"                     # 标注文件位置
  1.6 开始训练!!!
    # 训练指令:    注意: tensorflow 1.15版本,要降低numpy!!
    # pipeline_config_path:配置文件位置
    # model_dir:训练好的模型保存位置
    # num_train_steps:训练步数,        推荐 1-5 w步数!!            后面的参数不用管,固定的参数!!
    python ./model_main.py --pipeline_config_path=./data/ssdlite_mobilenet_v2_coco.config  --model_dir=./my_model_dir    --num_train_steps=100000 --sample_1_of_n_eval_examples=1    --alsologtostderr
    # 报错!!!  NotImplementedError: Cannot convert a symbolic Tensor (cond_2/strided_slice:0) to a numpy array.
            原因: numpy版本过高 1.21.6,numpy降级一下,      pip uninstall numpy , pip install numpy==1.19.5    
    # 数据可视化:     tensorboard --logdir=./my_model_dir
            total-loss,一般降到 4以下,就是相当不错!!!
            
    # 训练太慢了,请调 batch_size ,调大!!!  训练比较耗时...

   1.7  导出推理模型 !!
    # --pipeline_config_path:配置文件位置
    # --trained_checkpoint_prefix:训练好的模型checkpoint(忽略后面的.meta,model.ckpt-100000)
    # --output_directory:生成的推理文件位置(生成文件夹)
    python ./export_inference_graph.py --input_type=image_tensor --pipeline_config_path=./data/ssdlite_mobilenet_v2_coco.config --trained_checkpoint_prefix=./my_model_dir/model.ckpt-100000  --output_directory=./inference_model


   1.8  使用、导出的推理模型 !!           环境:course_tf2_env    !!!

    复制 tf_test.py,到我们刚才导出的推理模型,文件夹!!!

    修改: tf_test.py
        1、复制lable标签,到同级目录!!【lable_map.pbtxt】    # path_to_lable:   填在这里!!
        2、detection_model = tf.saved_model.load('./saved_model')     # 同级目录修改下!!!更改!!!
    测试    python .\tf_test.py

    # 报错:            UnicodeDecodeError: 'utf-8' codec can't decode byte 0xd5 in position 74: invalid continuation byte
    # 报错原因:    path_to_lable:  名字写错了!!! 修改完成,测试成功!!!        帧率 50-60左右!!速度可以,效果一般!!!  因为,数据标注不太好,小目标!


三、openvino转ssdlite_mobilenet_v2 模型:

   2.1、openvino: intel公司的 推出的,加速-模型推理,sdk包,        作用: 加速模型推理!!!
            有点类似于英伟达的tensor-rt 推理引擎!
    深度学习:  一般情况,训练和部署是分开的,        部署的时候,精度维持的情况下,当然希望越快越好!    
            openvino ,他就可以做中间的转化,把各个神经网路框架的模型,放在自家的cpu上进行加速!
    流程:    pytorch、tensorflow、caffe、mxnet、keras、onnx等模型   -->>   openvino,转化为可执行表达文件 --->>  intel 自己的cpu、gpu、igpu、vpu上加速运行!

    按步骤,创建3.7的环境:            
            conda create -n course_openvino_2021.4.0 python=3.7     一定要 3.7的,3.6的会报错!!!!    
    
        1、安装openvino环境、及其开发套件!!
        openvino: 推理引擎、    openvino-dev:开发者套件、优化、转化等.....        仅需推理、装openvino即可!!!
        每个版本不一样,容易踩坑、树莓派也能安装这个版本!
        pip install openvino==2021.4.0
        pip install openvino-dev[tensorflow,onnx]==2021.4.0        # 开发者套件、需要什么框架、往里丢、如:【tensorflow、onnx、pytorch】
        # mo -h 验证是否,正常安装!!

   2.2 COCO数据集,预训练模型转openvino
    # 进入COCO数据集预训练模型文件夹
    cd 4.转openvino/coco

    # 安装tensorflow==2.2.0
    pip install  tensorflow==2.2.0

    # 转化
    # input_model:需要转的推理模型、预训练的模型...
    # transformations_config、tensorflow_object_detection_api_pipeline_config:模型需要的配置信息
        ssd_v2_support.json 很难找,官方git要找很久...    ssd_support_api_v2.json【因为,tf版本 2.2】        
    # output_dir:转换后模型的保存路径、转化到的文件夹

    # ssd_v2_support.json来源:/openvino/tools/mo/front/tf

        mo --input_model=./ssdlite_mobilenet_v2_coco_2018_05_09/frozen_inference_graph.pb --transformations_config=./ssd_v2_support.json --tensorflow_object_detection_api_pipeline_config=./ssdlite_mobilenet_v2_coco_2018_05_09/pipeline.config --output_dir=./ir_model
    # 报错!!!   probuf需要降级:        pip install protobuf==3.19
    # 成功!!!    .xml是网络架构!!!        .bin 二进制文件,权重信息!!!

    # 运行
    # m:openvino模型、即是上述 xml 网络架构!!!
    # d:运算设备(CPU, GPU, FPGA, HDDL or MYRIAD神经加速棒!)
        python demo.py -m ir_model/frozen_inference_graph.xml -d CPU
        # coco的预训练模型、只能识别 80种物体!!!
        # 同步:150-200帧、    异步多线程:1000帧、突破上限!

   2.3 转化,我们已经训练好的模型
    # 进入训练好的自定义数据模型
    cd 4.转openvino/poker
    
    # 切回自己训练的 tf环境!! 降版本 tensorflow!!
    # 安装tensorflow==1.15
    pip install  tensorflow==1.15

    # 转化
    # input_model:需要转的推理模型
    # transformations_config、tensorflow_object_detection_api_pipeline_config:模型需要的配置信息、ssd_support_api_v1.15.json【因为,tf版本 1.15】
    # output_dir:转换后模型的保存路径

    mo --input_model=./poker_infer_model/frozen_inference_graph.pb --transformations_config=./ssd_support_api_v1.15.json  --tensorflow_object_detection_api_pipeline_config=./poker_infer_model/pipeline.config --output_dir=./ir_model
        

    # 运行
    # m:openvino模型
    # d:运算设备(CPU, GPU, FPGA, HDDL or MYRIAD)
    python demo.py -m ir_model/frozen_inference_graph.xml -d CPU    # 毕竟是轻量级检测模型、所以、针对大目标检测模型,效果比较好!!!


三、YOLOV5模型转openvino模型        【pytorch + yolov5 + openvino】

   3.1 Pacal VOC数据集转为COCO格式
    复制 \2.yolov5\convert_voc_to_yolo.py至数据集目录下,    data目录里!!


    运行python convert_voc_to_yolo.py开始转换、       #   因为标注文件,是.xml格式,Pascal voc数据集,我们要将他转为,coco格式的 txt数据集!!
    ####     生成 一个 lables文件夹、里面有训练集和测试集,的标注数据!!!    ###
       labelImg验证转换后的格式是否正确。
    ####    不放心的话,打开标注文件的文件夹,查看是否正确,         ###
        1、打开 labelImg,    2、选择打开文件夹:image,选择保存文件夹:label    3、更改格式: 为yolov    
        4、不保存!!!!        5、分类文件txt复制到,对应的test标注集里!!!(缺少一个,类别文件classes.txt),正确打开!!!
    3.2 训练及可视化
    参考《YOLOV5安全头盔防护服检测》流程。
    1、修改coco128.yaml的三个路径,分别写入52个类别...        2、修改yolov5n.yaml的nc数量==52
    3、样本较大,不需要、使用预训练模型,训练!!!
    #python .\train.py --data .\data\coco_chv.yaml --cfg .\models\yolov5n_chv.yaml --weights .\weights\yolov5n.pt --batch-size 20 --epochs 120 --workers 4 --name base_n --project yolo_test        # 小样本、中样本
    python train.py --data custom.yaml --weights '' --cfg yolov5s.yaml        # 大样本、本次采用的方式!!!
    # 正确训练命令!!!
    #python .\train.py --data .\data\coco_chv.yaml --cfg .\models\yolov5n_chv.yaml --weights '' --batch-size 20 --epochs 120 --workers 4 --name base_n --project yolo_test
    python .\train.py --data .\data\coco_chv.yaml --cfg .\models\yolov5n_chv.yaml --batch-size 20 --epochs 100 --workers 4 --name poker_base_n --project yolo_test_poker                # 报错,没找到dataset,因为 val的路径写错了,应该是 test!!!   epoch--100就好!!

    3.3 运行pytorch CPU版Demo
    # 复制附件:\2.yolov5\1.torch版 至一个空的文件夹

    # 创建一个新的虚拟环境
    conda create -n course_torch_openvino python=3.7    # 3.6的opencv安装,报错!!

    # 安装pytorch CPU版、但训练要用 gpu版本!!        cpu版本、只是为了对比一下加速效果!!!
    pip install torch torchvision torchaudio

    # 安装YOLOv5
    cd yolov5
    pip install -r requirements.txt

    # 返回上层目录,运行
    cd ../
    python demo.py        # 速度差点、但是精度很满意!

   3.4 YOLOV5转换openvino
    # Open Neural Network Exchange   、 开放-神经网络-转化器、作为中转器:    yolov5-> onnx -->> openvino !!!
    pip install onnx==1.11.0

    # 修改export.py line 121
    opset_version=10        # 因为 onnx官方,版本不支持更高版本的原因!!!给他定死!

    # 导出onnx、yolov5的文件夹,会生成 onnx文件: poker_n.pt
    cd yolov5
    python export.py --weights ../weights/poker_n.pt --img 640 --batch 1


    # 转换为openvino、
    # 安装openvino及openvino-dev
    pip install openvino-dev[onnx]==2021.4.0        # 开发者套件:只需要onnx即可!! openvino-dev
    pip install openvino==2021.4.0                # 推理引擎:    openvino


    # 安装netron:::专门查看 网络结构的工具!!!
    实战项目11:\2.yolov5\3.netron安装包            # dmg苹果版的,exe是win版的...

    # netron查看模型架构
        1、选择:导出模型        2、路径:转化后的onnx路径,weights目录    3、选择对应的 .onnx 后缀的文件....
    # 水平显示:    views-> show horizontal !!
    #  定位:几个输出层:    ctrl+f 搜索: transpose

    # 全输出,需要自己修改Conv_294,Conv_245,Conv_196为自己查询的结果::   
            我的名称是:       /model.24/m.0/Conv、/model.24/m.1/Conv、/model.24/m.2/Conv
            目的:    去掉小目标检测,去掉最小的卷积核!!!==  去掉最大的特征图!!!
                对于我而言,就是去掉 m0层的,小目标检测,提升检测速度!!!
    #### 命令!!! ####
    # input_model:需要转换的模型
    # model_name:导出名称
    # s:原始网络输入将除以该值,÷255 ==归一化...
    # reverse_input_channels:RGB 转变为 BGR(或者从 BGR 转变为 RGB)
    # output: 模型的输出操作
    cd ..
    # mo --input_model weights/poker_n.onnx  --model_name weights/ir_model_full   -s 255 --reverse_input_channels --output Conv_264,Conv_230,Conv_196
    mo --input_model weights/poker_n.onnx  --model_name weights/ir_model_full   -s 255 --reverse_input_channels --output /model.24/m.0/Conv,/model.24/m.1/Conv,/model.24/m.2/Conv        # 紧接着,在weights目录下,就会生成 三个文件了!!ir_model_full....

    # 加速,丢弃小目标检测
    #mo --input_model weights/poker_n.onnx  --model_name weights/ir_model_part   -s 255 --reverse_input_channels --output Conv_264,Conv_230
    mo --input_model weights/poker_n.onnx  --model_name weights/ir_model_part   -s 255 --reverse_input_channels --output /model.24/m.1/Conv,/model.24/m.2/Conv                 # 对于我而言,是,去掉了/model.24/m.0/Conv,==    关闭掉,小目标检测!!!

    # 测试运行
    复制:\2.yolov5\2.openvino版\yolov5_demo.py 到weights同级目录,做测试!!!!

    # 运行
    # 完全版、和部分版,测试!!            部分版:去掉小目标检测
    python yolov5_demo.py -i cam -m weights/ir_model_full.xml   -d CPU
    python yolov5_demo.py -i cam -m weights/ir_model_part.xml   -d CPU

    # 结果!!!
    完全版: +小目标检测:    同步/异步:   15-18帧率,
    部分版: -小目标检测:    同步/异步:   65-70帧率,极大地提升!!!    
    
    # 结论:
        大部分场景、扔掉了小目标检测,可以获得极大的帧率提升,是够用的,
        但是,在,距离非常远的情况下,则不能舍弃!!!

11、(复现)openvino 扑克检测模型,ssd_mobilenet轻量级模型,ssd+tensorflow,pytorch+yolov5,转openvino加速,onnx使用及网络架构的摘除转化_第1张图片

11、(复现)openvino 扑克检测模型,ssd_mobilenet轻量级模型,ssd+tensorflow,pytorch+yolov5,转openvino加速,onnx使用及网络架构的摘除转化_第2张图片
    

11、(复现)openvino 扑克检测模型,ssd_mobilenet轻量级模型,ssd+tensorflow,pytorch+yolov5,转openvino加速,onnx使用及网络架构的摘除转化_第3张图片

                                                        vgg 16

11、(复现)openvino 扑克检测模型,ssd_mobilenet轻量级模型,ssd+tensorflow,pytorch+yolov5,转openvino加速,onnx使用及网络架构的摘除转化_第4张图片

vgg 16 的网络架构 11、(复现)openvino 扑克检测模型,ssd_mobilenet轻量级模型,ssd+tensorflow,pytorch+yolov5,转openvino加速,onnx使用及网络架构的摘除转化_第5张图片

                                                  ssd对vgg 16的改动 

11、(复现)openvino 扑克检测模型,ssd_mobilenet轻量级模型,ssd+tensorflow,pytorch+yolov5,转openvino加速,onnx使用及网络架构的摘除转化_第6张图片

                                                        ssd对vgg 16的改动 11、(复现)openvino 扑克检测模型,ssd_mobilenet轻量级模型,ssd+tensorflow,pytorch+yolov5,转openvino加速,onnx使用及网络架构的摘除转化_第7张图片

    11、(复现)openvino 扑克检测模型,ssd_mobilenet轻量级模型,ssd+tensorflow,pytorch+yolov5,转openvino加速,onnx使用及网络架构的摘除转化_第8张图片

11、(复现)openvino 扑克检测模型,ssd_mobilenet轻量级模型,ssd+tensorflow,pytorch+yolov5,转openvino加速,onnx使用及网络架构的摘除转化_第9张图片

 

 

你可能感兴趣的:(openvino,神经网络,yolov5,tensorflow,pytorch)