-
ESH系列02丨多摄像头社交距离检测用例
一、用例介绍我们知道，保持必要的社交距离和戴口罩可以有效降低疫情传播的风险。多摄像头社交距离检测用例可以检测人员并根据多个输入源计算人员之间的社交距离，并对违规人员进行标记和计数，且在浏览器中实时可视化，从而提供了一种预防疾病传播的解决方案。二、支持的软硬件平台 系统要求：Ubuntu18.04.3 LTS / CentOS 7.x 硬件要求：具有英特尔Iris Plus图形或英特尔HD图形的第六至第十代英特尔酷睿处理器 外设要求：usb摄像头三、工作原理 本用例使用了英特...…
-
ESH系列01丨智能交通管理用例
一、注册ESH开发者账户 1.登录网址：Edge Software Hub 2.点击右上角的登录按钮，在弹出界面中点击’在此注册’ 3.填写个人信息并提交，收到邮件后点击激活，到这一步账号注册就成功了。二、下载Use Cases列表中的智能交通管理 1.登录界面，点击蓝色按钮 2.跳转到下载页面，我们可以看到智能交通管理需要安装的组件有三个，分别是Docker CE、Docker Compose和OpenVINO Container。右侧我们可以选择软件版本，这是用最新的2020...…
-
k8s学习01丨容器技术介绍
一.从进程理解容器1.理解几个事实 容器技术的兴起源于 PaaS 技术的普及； Docker 公司发布的 Docker 项目具有里程碑式的意义； Docker 项目通过“容器镜像”，解决了应用打包这个根本性难题； 容器的本质是一种特殊的进程。2.进程一旦“程序”被执行起来，它就从磁盘上的二进制文件，变成了计算机内存中的数据、寄存器里的值、堆栈中的指令、被打开的文件，以及各种设备的状态信息的一个集合。像这样一个程序运行起来后的计算机执行环境的总和，就是我们说的进程。容器技术的核心功能...…
-
计算机视觉与TensorFlow系列04丨常见的损失函数
一.常用的损失函数在深度学习中，损失函数是用来衡量模型参数的质量的函数，衡量的方式是比较网络输出和真实输出的差异，损失函数在不同的文献中名称是不一样的，虽然叫法不同，都统一表示损失函数。主要有以下几种命名方式： 命名方式 损失函数 loss function 代价函数 cost function 目标函数 objective functio...…
-
问题集锦001丨ImportError ('You must install pydot (`pip install pydot`) and install graphviz
ImportError: (‘You must install pydot (pip install pydot) and install graphviz 怎么解决？1.首先安装 pip install pydot2.登录graphviz官网，下载包https://graphviz.gitlab.io/download/3.执行安装4.查看环境变量,并重启5.导入plot_modelKeras中提供了一个神经网络可视化的函数plot_model，并可以将可视化结果保存在本地。from t...…
-
计算机视觉与TensorFlow系列03丨深度神经网络介绍
一.神经网络介绍1. 什么是神经网络神经网络（NN）是一种模仿生物神经网络结构和功能的计算模型。特点： 同一层的神经元之间没连接 第N层的每个神经元和第N-1层的所有神经元相连（这就是full connected的含义），第N-1层神经元的输出就是第N层神经元的输入 每个连接都有一个权值2. 神经元如何工作人工神经元接收到一个或多个输入，对他们进行加权并相加，总和通过一个非线性函数产生输出。二.激活函数介绍在神经元中引入了激活函数，它的本质是向神经网络中引入非线性因素的，通过激活函数...…
-
计算机视觉与TensorFlow系列02丨Tensorflow和Keras介绍与Tensorboard使用
一.TensorFlow介绍1.TensorFlow的特点 语言多样TF提供丰富的深度学习相关的API，支持python和C、C++接口。 使用分发策略进行分发训练对于大型ML训练任务，分发策略API使得在不更改模型定义的情况下，可以轻松的在不同的硬件配置上分发和训练模型。支持一系列硬件加速器，如CPU、GPU和TPU。 Tensorboard可视化Tensorboard是TensorFlow的一组Web应用，用来监控TensorFlow运行过程 在任何平台上的生产中进行强大的模型...…
-
计算机视觉与TensorFlow系列01丨深度学习与CV介绍
一.深度学习介绍1.深度学习与机器学习的区别（1）特征提取方面 机器学习机器学习的特征工程要靠手动完成，而且需要大量领域专业知识。 深度学习通常由多个层组成，它们通常将更简单的模型组合在一起，通过将数据从一层传递到另一层来构建更复杂的模型。通过大量数据的训练自动得到模型，不需要人工设计特征提取环节。（2）数据量 机器学习参数较少，执行时间短 深度学习参数庞大，执行时间长，需要通过大量数据的多次优化来训练参数第一、它们需要大量的训练数据集第二、是训练深度神经网络需要大量的算力可能要花...…
-
OpenVINO系列24丨ubuntu18.04上使用Intel HDDL的demo演示
1.安装依赖项 找到HDDL_INSTALL_DIRHDDL_INSTALL_DIR 为 <openvino_install_dir>/deployment_tools/inference_engine/external/hddlcd /opt/intel/openvino/deployment_tools/inference_engine/external/hddl该目录有以下子文件： 执行VPU脚本./install_IVAD_VPU_dependencies.sh ...…
-
OpenVINO系列23丨ubuntu18.04上使用Intel MYRIAD的demo演示
1.在ubuntu上配置usb驱动：cd /opt/intel/openvino_2019.3.334/install_dependencies./install_NCS_udev_rules.sh2.配置所有框架的Model Optimizercd /opt/intel/openvino_2019.3.334/deployment_tools/model_optimizer/install_prerequisites/./install_prerequisites.sh3.测试cd /o...…
-
OpenVINO系列22丨ubuntu上使用Intel GPU 的demo演示
1.测试环境：系统环境:ubuntu18.04LTSopenvino版本：2020 R12.安装步骤： 安装使用GPU插件和图形OpenCL驱动程序组件：cd /opt/intel/openvino/install_dependenciessudo -E su./install_NEO_OCL_driver.sh 遇到报错： error processing package intel-igc-core 解决办法：可以通过apt在ubuntu中首先删除in...…
-
OpenVINO系列21丨ubuntu演示crossroad_camera_demo
1.测试环境：ubuntu版本：18.04.1LTSopenvino版本：2020.1.023模型文档链接：(https://docs.openvinotoolkit.org/latest/_demos_crossroad_camera_demo_README.html)[]2.下载模型进入open_model_zoo路径cd /home/kang/open_model_zoo/tools/downloader在模型列表中找到要下载的模型并下载：./downloader.py --name...…
-
OpenVINO系列20丨openvinotoolkit-prc的相关工具包介绍
1.工具包简介为了方便国内人群的使用，我们在码云平台部署了openvinotoolkit-prc项目相关工具包，包括Datumaro、Docker_ci、Dlstreamer_gst、Model_server、Nncf_pytorch、Open_model_zoo、Training_extensions、OpenVINO、Cvat等9个相关的仓库。(参见链接)[https://gitee.com/openvinotoolkit-prc]2.DatumaroDatumaro全称Dataset...…
-
OpenVINO系列19丨DL Workbench的介绍与使用
全文字数1303，预计阅读5min 1.什么是DL WorkbenchDL Workbench是可视化的OpenVINO模型性能评估工具，用户可以在web界面下选择已有的英特尔硬件设备进行模型评估。这个工具包含了下载深度学习模型、定制和生成推理所需数据集、优化模型、校准模型、调整和比较模型的性能，从而找到最符合工程实践的模型进行部署和使用。2.DL Workbench支持哪些设备DL Workbench支持基于Intel CPU、GPU、NCS2和具有英特...…
-
OpenVINO系列18丨视频处理的介绍
1.视频分析推理流程解码 – 预处理 – 推理 – 后处理 – 编码2.执行视频解码的几种方法： Media-SDKIntel推荐使用的解码以及图像处理。如果系统中有Intel集成显卡并且安装了Media-SDK，将使用专用硬件执行编解码操作，称之为Intel Quick Sync，也可以在CPU上运行，并且使用CPU软件来完成加速。使用起来有点难度，不容易上手。 OpenCV通过OpenCV调用Media-SDK执行硬件加速，这可能是最简单的视频处理方法。 GStreamer/ff...…
-
OpenVINO系列17丨Inference Engine介绍与使用
1.推理引擎介绍：我们需要使用一个预先训练好的模型，并将其准备好给推理使用，推理引擎的起点是IR文件。推理引擎其实是一个可以整合到自己应用程序中的API，这个API适用于所有的硬件设备，在C++和python中提供了API。模型优化器先处理原始模型，然后把基元数据或者图层映射到所支持的操作中，这一过程就构建了IR文件。在不同的设备上实施每个操作，其过程都将有所不同。我们以乘法为例，同一个操作，在CPU实施时，使用的语言是C、C++或者汇编语言，但是同样的函数在GPU上实施时，则将使用Ope...…
-
OpenVINO系列16丨Model Optimizer介绍与使用(二)
1.模型优化的格式(以squeezenet1.0为例)我们在做模型优化的时候，使用不同的数据和权重格式该怎么权衡呢？我们不能为了把权重压缩到较小的格式而不考虑模型的准确性，那将会引起量化错误。不同的设备支持的格式也不同，那么我们是如何做不同格式的模型优化呢？ 1.下载模型sudo -E ./downloader.py --name squeezenet1.0 -o ~/Documents/ 2.使用model_optimizer进行模型优化执行下面命令，优化为FP32格式的IR文件e...…
-
OpenVINO系列15丨Model Optimizer介绍与使用(一)
1.获取模型的方法有几种1.自己训练一个模型2.在线网站下载https://download.01.org/opencv/2020/openvinotoolkit/2020.4/open_model_zoo/如下图是image-retrieval-0001模型的IR文件，可以直接下载3.openvino的 model-downloader 下载2.为什么需要使用Model Optimizer一方面，现在有很多深度学习框架在产业界被广泛的使用，像caffe、tensorflow、mxnet,...…
-
OpenVINO系列14丨human-pose-estimation在不同硬件设备上基准测试的性能差异
测试平台 测试系统：ubuntu 18.04LTS cpu型号：i5-6350HQ 核显型号：GT4e HDDL设备：4个VPU一、在CPU上的测试1.使用FP32数据格式进行测试2.使用INT8数据格式进行测试二、在GPU上的测试1.使用FP16数据格式进行测试三、在HDDL上的测试1.使用FP32数据格式进行测试结论通过测试发现，human-pose-estimation在不同设备上运行的时候，CPU在int8的数据格式下吞吐量为23.64fps,FP32下的吞吐量为16.53...…
-
OpenVINO系列13丨face_detection检测人脸并做标记
效果展示代码demoimport cv2 as cv# 加载模型net = cv.dnn.readNet('/home/kang/open_model_zoo-2019/model_downloader/Transportation/object_detection/face/pruned_mobilenet_reduced_ssd_shared_weights/dldt/face-detection-adas-0001.xml', '/home/kang/open_model_zoo-2...…
