流水线形式做机器视觉开发
本帖最后由 Anders项勇 于 2020-7-27 10:17 编辑目前快速开发可实际部署的机器视觉识别技术路线是什么？
答案是：TensorFlow Object Decetion API+OpenVINO&NCS2
原因是什么？
1.TensorFlow Object Decetion API可快速利用成熟预训练模型结合少量的数据集就能进行迁移学习生成特定场景的训练模型
2.OpenVINO&NCS2通过软硬件结合大大减轻了边缘计算端的主控硬件要求，使得类似LattePanda Delta的配置也能轻松运行。
有了他们，我们就可以流水线形式开发机器视觉识别的使用场景方案。
步骤：
1.安装TensorFlow Object Decetion API+OpenVINO环境
2.数据集采集：
对使用场景的物体拍照建立待训练数据集
3.数据集标注：
使用图片标注软件标注图片
4.模型训练：
下载预训练模型，使用上个步骤的图片标注数据集进行迁移学习训练，训练完成得到TensorFlow冻结图模型pb文件。模型训练时间较长，看机器配置及训练参数，啥时NCS3能支持训练就好了：）
5.使用测试图片测试训练的模型：
6.openvino模型优化：
通过模型优化器Model Optimizer把pb文件优化为openvino能读取的IR文件
7.IE推理引擎及应用代码开发：
用C++或python开发IE推理引擎及应用代码，如果对执行效率要求比较高建议C++开发。
基本开发过程：1.载入硬件插件 2.读取IR文件 3.配置输入输出 4.载入模型 5.创建infer request 【6.准备输入数据 7.执行推理计算 8.处理推理输出 9.根据输出应用代码处理】
......
经过以上7个步骤已经可以流水线形式进行机器视觉识别方案开发。如果应用场景、逻辑一样，只是视觉处理的物体不一样，那么代码都不用改，只需把2-6步骤按照新物体做一遍就可以跑了。流水线开发机器视觉识别不是梦想了：）
页:
[1]