openvino 如何run demo application & pretrained model 介紹－NetYea 網頁設計

OpenVino概念

圖改自https://www.learnopencv.com/using-openvino-with-opencv/#openvino-opencv
將已經訓練好的深度學習model經過Model Optimizer優化後
(何謂優化請見下面Model Optimizer條目)
經由Inference Engine  跟硬體(CPU/ GPU /VPU)
達到加速Inference 的目的

★ Model Optimizer
   ●摘錄自:【AI_Column】運用 Intel OpenVINO 土炮自駕車視覺系統
   協助去除已訓練好的模型中的冗餘參數，並可將 32bits 浮點數的參數降階，
   以犧牲數個百分點正確率來換取推論速度提升數十倍到百倍。

●把深度學習框架Train出來的model, 轉換成 Inference Engine 可以用的IR file
   目前支援的深度學習框架有　Caffe*, TensorFlow*, MXNet*, and ONNX*.
   ●之前以為所有由Caffe*, TensorFlow*, MXNet*, and ONNX* 訓練出的model
   都可以由Model Optimizer轉換成IR file  ，但看了的Supported Models章節
   好像不是這麼一回事，需找一個底下沒提到的model來實驗看看
   有結果我再更新
   Supported Models
      For the list of supported models refer to the framework or format specific page:
•       Supported Caffe* models
•       Supported TensorFlow* models
•       Supported MXNet* models
•       Supported ONNX* models
•       Supported Kaldi* models
●有script可以 configure Model Optimizer  以導入
   所有OpenVino supported的深度學習框架或單一深度學習框架
   若要手動configure Model Optimizer也有文件可以參考 ->  Model Optimizer Developer Guide.

★ IR file
包含train model的topology 跟weight，使用者只要知道怎樣將
訓練好的model change to IR file，就可以使用OpenVino加速Inference

★ Inference Engine
用來run 最佳化後的深度學習model
C:\Program Files (x86)\Intel\openvino_2021.4.689\
deployment_tools\inference_engine\samples底下有放一些IE的samples
各Samples說明　
延伸閱讀 → 如何run Inference Engine Samples
★ VPU plugin
這份文件好像在講怎樣的model能被vpu 支援
■OpenVino不提供Model Training
OpenVino的model來源以我的理解就以下這幾種
1.自己用OpenVino supported的深度學習框架去train  model
   或去Model Zoo下載所需model
1.       Caffe [ Model Zoo ]
2.       Tensorflow [ Model Zoo ]
3.       MxNet [ Model zoo ] 連結失效
4.       Open Neural Network Exchange (ONNX) [ Model zoo ]
2.OpenVino裡面附的pre-trained model
   不過不一定有符合你需求的
3.OpenCV DNN sample model
■相關名詞
★ OpenVino用的是CNN( Convolutional Neural Networks )模型 ;
還包含了Deep Learning Deployment Toolkit (Intel® DLDT).

   Convolution：影像->filter->擷取出特徵，比如邊緣。
   此種過程叫做Convolution
★ OpenCV和OpenVX有什么联系和区别？
★ 機器學習
機器學習理論主要是設計和分析一些讓電腦可以自動學習的演算法。
機器學習演算法是一類從資料中自動分析獲得規律，並利用規律對未知資料進行預測的演算法。
★ 深度學習
是機器學習的分支。深度學習框架比較
■如何安裝OpenVino
照著安裝步驟做即可 (英文看不懂請自行克服)
-------------------------------------------------------------------------------------------------------------------------------
上述的東西都了解之後，接下來開始DEMO OpenVino附的兩個script
■Run the Image Classification Verification Script
★在C:\Program Files (x86)\IntelSWTools\openvino\deployment_tools\demo下
可以找到demo_squeezenet_download_convert_run.bat。
這個demo使用squeezenet model 判斷照片中的Object屬於什麼類別
可判斷的類別有一千種，有哪一千種可以看底下這個檔案
C:\Program Files (x86)\Intel\openvino_2021.4.689\
deployment_tools\demo\squeezenet1.1.labels
*路徑中的openvino_2019.1.148的2019.1.148這數字代表版本，因此若安裝的OpenVino版本跟我不同，那數字也會不同
*若安裝不只一個版本的OpenVino，不同版本的OpenVino會有屬於自己的資料夾
而openvino那個捷徑會指向最後安裝的那個版本

★這個batch的內容如下
Step1 :  下載SqueezeNet model (使用downloader.py)
Step2：用 Model Optimizer 把SqueezeNet轉成IR file。
            (使用mo.py)
Step3： Build Inference Engine samples
            batch檔執行過程中，會看到cmd 畫面卡在
            Build Inference Engine samples using MS Visual Studio (MSBuild.exe)一段時間
            請耐心等候。此步會產生 classification_sample.exe
Step4：把car.png & IR file當作iInference Engine的input 來分析car.png
↓This is car.png


↓針對照片中的Object，分類前十名的結果依序從Prob.高到低排列
分類結果最高分數是sport car

★重跑demo_squeezenet_download_convert_run.bat
跑過一次batch之後，若再執行一次batch，
因為某些檔案跑過一次batch之後就已經存在了
batch裡的寫法偵測到某些檔案存在之後就會忽略掉某些Step
若想要完整地再跑一次，需刪除以下檔案
●刪除model
C:\Users\$(username)\Documents\Intel\OpenVINO\openvino_models
\models\FP32\classification
底下整個squeezenet 資料夾刪掉
注意:FP32是針對CPU device的，若是VPU devide ，對應到的folder name是FP16

●刪除 IR
C:\Users\$(username)\Documents\Intel\OpenVINO\openvino_models\ir\FP32
\classification\squeezenet\1.1\ 底下整個caffe 資料夾刪掉
注意:FP32是針對CPU device的，若是VPU devide ，對應到的folder name是FP16
------------------------------------------------------------------------------------------------
■Run the Inference Pipeline Verification Script
★demo_security_barrier_camera.bat 這個batch的內容如下
Step1 : 下載 three pre-trained models IRs
Step2：build Security Barrier Camera Demo Inference Engine來分析car1.bmp
Step3：圖片裡的object會被第一個model判斷成是車輛，
            這個判斷結果被當作input 導入到下一個model，
            這個model可以指出車輛的一些屬性 ex:車牌
            最後車牌被當作input導入到第三個model，這個model可以把車牌的字元識別出
            會被稱做Pipeline 我想應該是識別結果從第一個model傳到第三個model
         像水流在管線裡流動一樣吧...


★重跑整個bat
  跑過一次batch之後，有些step會被忽略掉，因為某些檔案已經存在了
  若要乾乾淨淨的再跑一次，需要刪除以下檔案
  ●刪除 IR
  C:\Users\$(username)\Documents\Intel\OpenVINO\openvino_models\
  ir\FP32\classification\squeezenet\1.1\
  底下整個caffe 資料夾刪掉

----------------------------------------------------------------------------------------------------------
以上範例是使用openvino在 CPU
若用其他intel 硬體，比如movidius gpu vpu  FPGA or MYRIAD
請參考安裝文件中 Optional Steps這部份
-----------------------------------------------------------------------------------------------------------
■OpenVino PreTrained Model
★OpenVINO提供好幾個pre-trained models
可以用Model Downloader 或到
https://download.01.org/opencv/2019/open_model_zoo/　去下載
下載的model是被優化過的model，稱作IR file( xml 檔+ bin 檔)

★可在這邊 https://docs.openvinotoolkit.org/latest/_demos_README.html
Demos that Support Pre-Trained Models章節
看各個pre-trained model support哪些Device
Object Detection Models
裡面包含好幾個model可以用來偵測object
包含：人臉，人，車輛
Object Recognition Models
用來分類或特徵辨識，使用在其他detector之後。比如先做人臉偵測，再做年齡/性別辨識

Semantic Segmentation Models
原文網址：https://kknews.cc/zh-tw/tech/mgqvl9.html
語義分割（Semantic Segmentation）的目標是給定一張圖片，對於圖片中的每一個像素做分類。
例如圖1(a)中給出的原始輸入圖片，語義分割算法對圖片中的每一個像素分類，
得到如圖1(b)的結果。在圖1(b)中，不同顏色代表不同類別：
如紅色代表行人，藍色代表汽車，綠色代表樹，灰色代表建築物等。
語義分割問題在很多應用場景中都有著十分重要的作用（例如圖片理解，自動駕駛等）

Instance Segmentation Models
INSTANCE SEGMENTATION可以知道同類object的數目(不同顏色表示)
https://arxiv.org/pdf/1405.0312.pdf

Human Pose Estimation Models
Image Processing
提高影像品質

Text Detection
Action Recognition Models
-------------------------------------------------------------------------------------------------------------------------------------------------------------------------
■Trouble Shooting
● 安裝時遇到CMake*/ Python* version  xxx or higher is not detected.


   ->Fixed by 安裝如提示的CMake & Python版本後
   再重安裝一次OpenVino
● 電腦已經有安裝Python3.6.5了
   還是會出現Python* version  xxx or higher is not detected.
   ->Fixed by 再安裝一次Python >選Modify  >勾選Add Python.....
   ->再安裝一次OpenVino就可以了



● 執行demo_squeezenet_download_convert_run.bat前
   若沒有安裝cmake 會出現以下Error
   'cmake' is not recognized as an internal or external command,
   operable program or batch file.
   ->Fixed by 安裝cmake
   請參考 Install CMake* 3.4 or higher章節
  ● 執行demo_squeezenet_download_convert_run.bat發生以下Err
   target_precision = FP32
   Python 3.6.6
   ECHO is off.
   PYTHONPATH=C:\Program Files (x86)\IntelSWTools\openvino\python\python3.6;
   [setupvars.bat] OpenVINO environment initialized
   INTEL_OPENVINO_DIR is set to C:\Program Files (x86)\IntelSWTools\openvino
   Python 3.6.6
   ECHO is off.
   Collecting pyyaml
   Retrying (Retry(total=4, connect=None, read=None, redirect=None, status=None)) after connection broken by    'ProxyError('Cannot connect to proxy.', OSError('Tunnel connection failed: 407 Proxy Authentication Required (       Forefront TMG requires authorization to fulfill the request. Access to the Web Proxy filter is denied.  )',))':                /simple/pyyaml/
   ...
   Could not find a version that satisfies the requirement pyyaml (from versions: )
   No matching distribution found for pyyaml
   ->Fixed by 更改proxy設定
   根據Cannot connect to proxy這個訊息判斷應該是proxy問題
   原本我是使用公司內網run script
   後來將proxy調整成以下設定&連手機熱點就可以執行了

  ● 出現以下Error
   ###############|| Generate VS solution for Inference Engine samples using cmake ||###############

   Waiting for 2 seconds, press a key to continue ...
   Creating Visual Studio 15 2017 x64 files in
   C:\Users\$(userName)\Documents\Intel\OpenVINO\inference_engine_samples_build...
   CMake Error at CMakeLists.txt:7 (project):
   Generator
   Visual Studio 15 2017
   could not find any instance of Visual Studio.
   -- Configuring incomplete, errors occurred!
   ->fixed by reboot
因為在安裝openvino之前我有開visual studio installer去 modify設定
設定完後沒有按照指示重開機
因此出現以上issue
-------------------------------------------------------------------------------------------------------------------------------------------------------------------------
●其它參考連結
  - OPENvINO with openCV
  - 既跨平台又開源　英特爾開啟智慧視覺創新
超過20個預先訓練的模型，以及針對OpenCV和OpenVx的最佳化電腦視覺庫。
OpenVINO工具套件可透過CPU、GPU、FPGA、Movidius VPU(AI晶片 )等硬體進行部署，
增強視覺系統功能和性能
- SqueezeNet
   SqueezeNet 是圖片分類模型，最適合參數較少及較小的模型使用，相較於現代圖片分類模型 (AlexNet)，
   不會犧牲品質。
- C:\Program Files (x86)\Intel\openvino_2021.4.689\documentation