用树莓派4b构建深度学习应用（八）Openvino篇

前言

虽然这一代的树莓派增加了内存，但主频的限制使得直接用纯主板推理，速度还是不够实时，这一篇我们介绍一下在树莓派上部署 OpenVINO 神经棒，进一步提升AI的推理速度。

Intel的了第二代神经计算棒(Neural Compute Stick 2/NCS 2)，身材依然只有U盘大小，尺寸只有72.5×27×14毫米，内置了最新的Intel Movidius Myriad X VPU视觉处理器，集成16个SHAVE计算核心、专用深度神经网络硬件加速器，可以极低的功耗执行高性能视觉和AI推理运算，支持TensorFlow、Caffe开发框架。

按照Intel给出的数据，NCS 2的性能比之前的Movidius计算棒有了极大的提升，其中图像分类性能高出约5倍，物体检测性能则高出约4倍。

NCS2 的主要特点：

• 边缘处的深度学习推理
• Open Model Zoo 上预先训练的模型
• 一个函数库和预先优化的内核，用于更快地投放到市场
• 支持使用一个公共 API 的跨各种计算机视觉加速器（CPU、GPU、VPU 和 FPGA）的异质性执行
• Raspberry Pi 硬件支持

安装OpenVINO 工具套件

NCS2 支持树莓派作为其的一个特点，intel官方专门做了个主题文档，那部署起来就相当友好了。

https://docs.openvinotoolkit....

1. 下载安装包

我选择的版本是 2020年4月的版本：

cd ~/Downloads/
sudo wget https://download.01.org/opencv/2020/openvinotoolkit/2020.4/l_openvino_toolkit_runtime_raspbian_p_2020.4.287.tgz
# 创建安装文件夹
sudo mkdir -p /opt/intel/openvino
# 解压缩文件
sudo tar -xf l_openvino_toolkit_runtime_raspbian_p_2020.4.287.tgz --strip 1 -C /opt/intel/openvino

2. 安装外部软件依赖

之前已经安装过cmake，其实这步可跳过。

sudo apt install cmake

3. 设定环境变量

source /opt/intel/openvino/bin/setupvars.sh
# 永久设置环境变量
echo "source /opt/intel/openvino/bin/setupvars.sh" >> ~/.bashrc

现在每打开一个新的命令行终端。将会出现下列信息：

[setupvars.sh] OpenVINO environment initialized

4. 添加 USB 规则

将当前的 Linux 用户添加到users群组：注销并登录，使设定生效。

sudo usermod -a -G users "$(whoami)"

安装 USB 规则

sh /opt/intel/openvino/install_dependencies/install_NCS_udev_rules.sh

5. USB 插入intel 神经棒 NCS2

重新插入NCS2，准备运行程序。

构建对象检测样本

1. 新建编译目录

mkdir openvino && cd openvino
mkdir build && cd build

2. 构建对象检测样本

cmake -DCMAKE_BUILD_TYPE=Release -DCMAKE_CXX_FLAGS="-march=armv7-a" /opt/intel/openvino/deployment_tools/inference_engine/samples/cpp
make -j2 object_detection_sample_ssd

3. 下载权重文件，网络拓扑文件和被测试图片

要下载.bin带权重的文件：

wget --no-check-certificate https://download.01.org/opencv/2020/openvinotoolkit/2020.1/open_model_zoo/models_bin/1/face-detection-adas-0001/FP16/face-detection-adas-0001.bin

要下载带网络拓扑.xml的文件：

wget --no-check-certificate https://download.01.org/opencv/2020/openvinotoolkit/2020.1/open_model_zoo/models_bin/1/face-detection-adas-0001/FP16/face-detection-adas-0001.xml

搜索一些包含人脸的图片作为被检测样本，保存到 ~/Downloads/image 目录下。

4. 运行程序

其中 -m 指定模型拓扑结构 .xml 文件，程序会自动寻找同名 .bin 权重文件；

-d MYRIAD 代表用神经棒作为推理设备；

-i 指定了被测图片的路径。

./armv7l/Release/object_detection_sample_ssd -m face-detection-adas-0001.xml -d MYRIAD -i ~/Downloads/image

构建性能测试程序

1. 构建测试程序

make -j2 benchmark_app

2. 构建对象检测样本

其中 -i 是输入被检测的图片；

-m 是输入的模型参数；

-niter 为运行推理的迭代次数。

./armv7l/Release/benchmark_app -i car.png -m squeezenet1.1/FP16/squeezenet1.1.xml -pc -d MYRIAD -niter 1000

树莓派+神经棒的推理速度可达 280 FPS，这速度足够快了，再试试在电脑上插神经棒测试，与其对比一下。

3. 对比性能

还是280帧左右，运行速度没有区别，可见计算瓶颈都集中在NCS2上，主设备用电脑或是树莓派差别不大。在插神经棒的场合，用PC就显得有点浪费了。

再对比一个直接用笔记本电脑的 intel cpu 跑的openvino加速模型：

340 FPS，果然还是电脑的CPU更强些。

树莓派的开发流程

• 选择预训练模型；
• 使用模型优化器，来转换模型；
• 最后在树莓派上推理模型。

常规的开发方式，需要在 open model zoo 中寻找适合的模型，对于大多数业务来说，都能满足基本需要。若需要跑一些比较前沿的模型或者是自己设计的神经网络时，那各类模型转换的方法则是必备技能，难度相应也会大一些。

资料下载

本期相关文件资料，可在公众号后台回复：“rpi08”，获取下载链接。

---

下一篇预告

我们就将做一些模型转换的工作，
让yolov5在树莓派上，
用Openvino来运行一下...
敬请期待...

---