在Ubuntu 18.04上部署Intel OpenVINO Toolkit并使用CPU与iGPU运行官方... - MyFPGA Forum

MyFPGA Forum

标题:

作者:

时间:

标题:

本帖最后由 Nicole_Terasic 于 2020-6-19 11:20 编辑

在Ubuntu 18.04上部署Intel OpenVINO Toolkit并使用CPU与iGPU运行官方人脸识别Demo

测试平台软件版本:

Intel OpenVINO Version 2019_R1
Ubuntu 18.04.2

测试平台硬件信息：
惠普暗影精灵4 ->

Intel Core i7-8750H 6c12t
Nvidia GTX 1050Ti (未启用)
DDR4 32G 双通道
NVME 512G

第一步：下载并安装 OpenVINO Toolkit ->
首先，我们需要从官网下载OpenVINO Toolkit工具包，这里是跳转链接。
博主保存目录为~/Downloads/ 后文以此目录进行操作。

下载完成后，解压安装包并进入安装包目录：

$ cd ~/Downloads/
$ tar -xvzf l_openvino_toolkit_p_<version>.tgz

复制代码

接下来，与官方教程不同，博主建议提前安装一次依赖环境：

$ sudo ./install_openvino_dependencies.sh

复制代码

安装好依赖后，我们开始安装OpenVINO Toolkit，这里我们使用图形界面安装器:

$ sudo ./install_GUI.sh

复制代码

图1

<这里提示了我们没有安装iGPU图形加速运行库-OpenCL，我们在后续步骤中手动安装这个库>
一路下一步直到安装完成，默认的安装目录是/opt/intel。

图2

接下来再安装一次依赖库：

$ cd /opt/intel/openvino/install_dependencies
$ sudo -E ./install_openvino_dependencies.sh

复制代码

在上面的操作成功完成后，我们需要配置环境变量。
这里有两种配置模式：

每次启动bash时都加载OpenVINO环境
在需要时手动加载OpenVINO环境

对于第一种模式，我们在~/.bashrc文件中添加source即可实现：

$ vim ~/.bashrc

复制代码

在文件的最后添加：

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

复制代码

保存文件后，输入:

$ source ~/.bashrc

复制代码

如果出现了
[setupvars.sh] OpenVino environment initialized
即为环境初始化成功。

但是此方法导致每次打开bash时都会消耗时间加载环境，所以博主使用了另一个替代方案：
将上述步骤中的添加source 修改为：

alias ov='source /opt/intel/openvino/bin/setupvars.sh'

复制代码

保存后，我们在需要使用OpenVINO环境时，键入ov并回车即可加载OpenVINO环境。

第二步：配置模型转换器->

英特尔官方的NCS开发环境“OpenVINO”使用了名为Intermediate Representation(IR)的网络模型。
.xml文件保存了网络的拓扑结构，而.bin文件以二进制方式保存了模型的权重w与偏差b。

如果我们需要将TensorFlow, Caffe等模型转换为OpenVINO支持的模型，则需要配置模型转换器。

首先切换到模型转换器的环境配置脚本目录：

$ cd /opt/intel/openvino/deployment_tools/model_optimizer/install_prerequisites

复制代码

注意，这时我们可以指定安装某个模型的环境，也可以全部安装。如果全部安装，则执行：

$ sudo ./install_prerequisites.sh

复制代码

此时所有支持的模型的依赖将会被安装，模型转换器可以转换所有支持的模型。

如果只需要转换某个特定框架的模型，那么可以使用一下命令系列中的某一个或某几个来配置：

Caffe 框架：

$ sudo ./install_prerequisites_caffe.sh

复制代码

TensorFlow 框架：

$ sudo ./install_prerequisites_tf.sh

复制代码

MXNet框架：

$ sudo ./install_prerequisites_mxnet.sh

复制代码

ONNX框架：

$ sudo ./install_prerequisites_onnx.sh

复制代码

Kaldi框架：

$ sudo ./install_prerequisites_kaldi.sh

复制代码

安装完成后，即可使用模型转换器

此时， OpenVINO的推理引擎与模型转换器已经配置完成，接下来我们验证一下是否能正常工作。

第三步：验证OpenVINO安装结果->

首先，我们切换到推理引擎示例目录：

$ cd /opt/intel/openvino/deployment_tools/demo

复制代码

运行“图像分类验证脚本”（官方叫法）：

$ ./demo_squeezenet_download_convert_run.sh

复制代码

图3

图片上的输出为正确的输出，如果没有得到正确的结果，请检查配置是否有误。
如果实在无法解决，请加入intel NCS & OpenVINO 交流QQ群：608483784，博主和其他小伙伴大家一起互帮互助～

接下来，我们运行“推理管道验证脚本”（还是官方叫法）：

$ ./demo_security_barrier_camera.sh

复制代码

如果显示如下图片，即为配置正确

图4

接下来，我们开始配置iGPU运行环境

第四步：配置iGPU依赖环境->

注意，官方给出的教程是适用于Ubuntu 16.04版本的，18.04在配置iGPU上有所不同…

首先，我们需要下载Compute-runtime库，这里我们先创建一个文件夹：

$ mkdir ~/neo
$ cd ~/neo

复制代码

下载所需的包：

$ wget https://github.com/intel/compute-runtime/releases/download/19.11.12599/intel-gmmlib_18.4.1_amd64.deb
$ wget https://github.com/intel/compute-runtime/releases/download/19.11.12599/intel-igc-core_19.11.1622_amd64.deb
$ wget https://github.com/intel/compute-runtime/releases/download/19.11.12599/intel-igc-opencl_19.11.1622_amd64.deb
$ wget https://github.com/intel/compute-runtime/releases/download/19.11.12599/intel-opencl_19.11.12599_amd64.deb
$ wget https://github.com/intel/compute-runtime/releases/download/19.11.12599/intel-ocloc_19.11.12599_amd64.deb

复制代码

验证 sha256:

$ wget https://github.com/intel/compute-runtime/releases/download/19.11.12599/ww11.sum
$ sha256sum -c ww11.sum

复制代码

五个文件都显示成功后，我们安装deb包：

1 | $ sudo dpkg -i *.deb

复制代码

此时， iGPU运行OpenVINO推理引擎的环境，按照官方的说法便已经结束了。
但是！在博主的测试中，任然会出现一些奇怪的环境问题，比如缺少OpenCV库和OpenCL库。
由于博主没有在其他机器上测试过，所以如果读者在配置到这一步后已经能使用iGPU运行模型的话，便无需执行下列两个步骤。
当然，如果遇到了的其他的库缺失问题，请入群大家深入交流。

额外步骤一：源码方式安装OpenCV->
点击这里下载OpenCV 4.1.0源码。（查看原帖下载）
下载到~/Downloads文件夹后，解压到该文件夹下，然后进入目录并创建build文件夹：

$ cd ~/Downloads/opencv-4.1.0
$ mkdir build
$ cd build

复制代码

接下来，安装编译所需库：

$ sudo apt-get update
$ sudo apt-get install build-essential
$ sudo apt-get install cmake
$ sudo apt-get install libgtk2.0-dev
$ sudo apt-get install pkg-config
$ sudo apt-get install python-dev python-numpy
$ sudo apt-get install libavcodec-dev libavformat-dev libswscale-dev libjpeg-dev libpng-dev libtiff-dev libjasper-dev

复制代码

编译安装：

$ cmake ../ -DCMAKE_BUILD_TYPE=RELEASE -DsCMAKE_INSTALL_PREFIX=/usr/local

复制代码

注意根据你的CPU线程数，此处可以使用-j参数提升编译速度。比如博主CPU有12线程，便可以使用 make -j 12来提升编译速度！
注意编译OpenCV所需内存较大（2G以上）

$ make
$ sudo make install

复制代码

完成后，添加环境变量：

vim ~/.bashrc

复制代码

在文件末尾添加：

PKG_CONFIG_PATH=$PKG_CONFIG_PATH:/usr/local/lib/pkgconfig
export PKG_CONFIG_PATH

复制代码

额外步骤二：安装OpenCL->
首先，我们需要在Intel官网注册下载intel_sdk_for_opencl_applications

下载完成后解压并进入解压目录，运行安装程序：

$ sudo ./install.sh

复制代码

同意条款等，一路下一步直到安装完成。

此时，博主的电脑上已经可以正常的使用iGPU运行推理引擎了。

作者: Nicole_Terasic 时间: 2020-6-19 11:07
本帖最后由 Nicole_Terasic 于 2020-6-19 11:16 编辑

验证官方人脸识别Demo->

新版本的OpenVINO软件包中似乎移除了官方训练并转化好的IR模型。

为了验证人脸识别Demo是否能正常运行，我们需要下载官方模型：

$ mkdir intel_model_download
$ cd intel_model_download
$ git clone https://github.com/opencv/open_model_zoo.git

复制代码

git完成后，我们可以使用

1 | ~/intel_model_download/open_model_zoo/model_downloader/downloader.py

复制代码

脚本来下载英特尔的模型，使用–all参数来下载所有模型文件，使用–name <Model_name> 来下载指定的模型文件。

我们的验证Demo源码位于

1 | ~/inference_engine_samples_build/

复制代码

目录下，首先我们得编译这些源码(同样推荐使用-j参数加速编译)：

$ ~/inference_engine_samples_build/
$ make

复制代码

完成后，我们可以在

~/inference_engine_samples_build/intel64/Release

复制代码

目录中找到Demo程序，我们使用interactive_face_detection_demo来进行验证

输入

$ ./interactive_face_detection_demo -h

复制代码

可以看到这个demo的用法。
我们需要使用-i参数指定输入源，-m指定模型，-d指定设备。

这里我们的模型使用face-detection-adas-0001模型。
使用上文中的模型下载脚本下载此脚本，

1 | ~/intel_model_download/open_model_zoo/model_downloader/downloader.py --name face-detection-adas-0001 -o ~/intel_models/open_model_zoo/intel_models/face-detection-adas-0001/

复制代码

下载完成后，IR模型路径在

~/intel_model_download/open_model_zoo/intel_models/face-detection-adas-0001/Transportation/object_detection/face/pruned_mobilenet_reduced_ssd_shared_weights/dldt

复制代码

目录下，这时我们可以使用命令运行Demo了：

1 | ~/inference_engine_samples_build/intel64/Release/interactive_face_detection_demo -i cam -m ~/intel_model_download/open_model_zoo/intel_models/face-detection-adas-0001/Transportation/object_detection/face/pruned_mobilenet_reduced_ssd_shared_weights/dldt/face-detection-adas-0001.xml -d GP

复制代码

当然，iGPU支持FP16的模型，只需在-m参数中修改为FP16模型即可。

-d 参数修改为CPU即为使用CPU运行推理模型，但需要注意，CPU不支持FP16模型！

图5

最终效果大概是如图上所示，人脸区域被框选出来。

————————————————
版权声明：本文为CSDN博主「Corazón」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/weixin_43741611/article/details/89365458

作者: kc99 时间: 2020-9-7 18:53
提示: 作者被禁止或删除内容自动屏蔽

欢迎光临 MyFPGA Forum (https://www.myfpga.org/discuz/)