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！！！

    

                                                        vgg 16

vgg 16 的网络架构 

                                                  ssd对vgg 16的改动 

                                                        ssd对vgg 16的改动