OpenVINO
Oryginalni autorzy | Korporacja Intela , |
---|---|
Deweloperzy | Korporacja intelektualna |
Pierwsze wydanie | 16 maja 2018 |
Wersja stabilna | 2022.3 / grudzień 2022. |
Magazyn | |
Napisane w | C++ , Pythona |
System operacyjny | Międzyplatformowe |
Licencja | Licencja Apache 2.0 |
Strona internetowa |
Zestaw narzędzi OpenVINO (Open Visual Inference and Neural network Optimization) to bezpłatny zestaw narzędzi ułatwiający optymalizację modelu głębokiego uczenia się ze struktury i wdrożenia przy użyciu silnika wnioskowania na sprzęcie firmy Intel . Zestaw narzędzi ma dwie wersje: zestaw narzędzi OpenVINO, który jest obsługiwany przez społeczność open source, oraz zestaw narzędzi OpenVINO firmy Intel, który jest obsługiwany przez firmę Intel. OpenVINO został opracowany przez firmę Intel . Zestaw narzędzi jest wieloplatformowy i darmowy do użytku na licencji Apache wersja 2.0. Zestaw narzędzi umożliwia jednorazowe zapisanie i wdrożenie w dowolnym miejscu do wdrożeń głębokiego uczenia na platformach Intel, w tym na procesorach , zintegrowanym GPU , Intel Movidius VPU i układach FPGA .
Przegląd
Potok wysokiego poziomu OpenVINO składa się z dwóch części: generowania plików IR (reprezentacja pośrednia) za pomocą Optymalizatora modelu przy użyciu wyszkolonego modelu lub modelu publicznego i wykonywania wnioskowania na silniku wnioskowania na określonych wtyczkach (CPU, Intel Processor Graphics, VPU , GNA , Multi- Wtyczka urządzenia, wtyczka heterogeniczna )
Zestaw narzędzi Model Optimizer to wieloplatformowe narzędzie, które przekształca wyszkolony model z oryginalnej struktury do formatu OpenVINO (IR) i optymalizuje go do przyszłego wnioskowania na obsługiwanych urządzeniach. W rezultacie Model Optimizer tworzy dwa pliki: * .bin i * .xml , które zawierają odpowiednio wagi i struktury modelu.
Mechanizm wnioskowania zestawu narzędzi to biblioteka C++ do wnioskowania danych wejściowych na temat urządzeń i uzyskiwania wyników. Aby lepiej zrozumieć OpenVINO API, istnieje wiele przykładów, które pokazują, jak pracować z OpenVINO
OpenVINO ma różne typy próbek: klasyfikację, wykrywanie obiektów, transfer stylów, rozpoznawanie mowy itp. Możliwe jest wypróbowanie wnioskowania na publicznych modelach Istnieje wiele modeli zadań, takich jak:
- Klasyfikacja
- segmentacja
- wykrywanie obiektów
- rozpoznawanie twarzy
- ocena pozycji człowieka
- jednooczne oszacowanie głębokości
- malowanie obrazu
- przeniesienie stylu
- rozpoznanie akcji
- koloryzacja
Wszystkie te modele są dostępne do celów edukacyjnych lub do tworzenia oprogramowania do głębokiego uczenia. Open Model Zoo jest licencjonowany na licencji Apache w wersji 2.0.
Wraz z podstawowymi składnikami optymalizacji modelu i środowiska uruchomieniowego w zestawie narzędzi Intel® Distribution of OpenVINO, zestaw narzędzi zawiera również przyjazny dla użytkownika interfejs przeglądarki internetowej o nazwie Deep Learning Workbench, który pomaga w analizie modeli i eksperymentowaniu; narzędzie o nazwie Post-Training Optimization Tool do przyspieszenia wnioskowania poprzez przekształcenie modeli w modele o niskiej precyzji i które nie wymagają ponownego szkolenia (np. kwantyzacja po szkoleniu); oraz dodatkowe dodatki, takie jak Deep Learning Streamer wspomagające interoperacyjność potoków analizy strumieniowej, OpenVINO Model Server aby umożliwić skalowalność za pośrednictwem obsługującej mikrousługi, rozszerzeń szkoleniowych, takich jak Neural Network Compression Framework , oraz Computer Vision Annotation Tool , interaktywnego internetowego narzędzia do adnotacji wideo i obrazów.
OpenVINO ma dwie strony internetowe: jedną z dokumentacją , drugą z plikami do pobrania .
Obsługiwane frameworki i formaty
- Caffe (większość oddziałów publicznych)
- TensorFlow
- MXNet
- Kaldi
- ONNX
- i inne frameworki, które można serializować do formatu ONNX ( PyTorch , Caffe2, PaddlePaddle i inne)
Język programowania
OpenVINO jest napisany w C++ i Pythonie .
Obsługa systemu operacyjnego
OpenVINO działa na następujących stacjonarnych systemach operacyjnych: Windows , Linux i MacOS .
OpenVINO działa również na Raspberry Pi .
Zobacz też
- Agrawal, Vasu (2019). Od podstaw projekt multimodalnego systemu wykrywania obiektów (PDF) (mgr inż.). Carnegie Mellon University Pittsburgh, Pensylwania. Zarchiwizowane (PDF) od oryginału w dniu 26 stycznia 2020 r.
-
Driaba, Aleksander; Gordiejew, Aleksiej; Klyachin, Vladimir (2019). „Rozpoznawanie różnych obiektów z określonego zestawu kategorycznego w czasie rzeczywistym przy użyciu głębokich konwolucyjnych sieci neuronowych” (PDF) . Instytut Matematyki i Technologii Informacyjnych Wołgogradzki Uniwersytet Państwowy. Zarchiwizowane (PDF) od oryginału w dniu 26 stycznia 2020 r . Źródło 26 stycznia 2020 r .
{{ cite journal }}
: Cite journal wymaga|journal=
( pomoc ) - Nanjappa, Ashwin (31 maja 2019). Skrócona instrukcja obsługi Caffe2: Modułowa i skalowalna głęboka nauka jest łatwa . Paczka s. 91–98. ISBN 978-1789137750 .