失眠网 > 树莓派4B与Intel Movidius计算棒2代实现深度学习应用加速

树莓派4B与Intel Movidius计算棒2代实现深度学习应用加速

时间：2020-06-05 00:46:00

树莓派4B与Intel Movidius计算棒2代实现人脸识别加速实例

树莓派树莓派介绍教程操作换源部分：安装cmakeIntel 神经计算棒环境配置Intel 神经计算棒简介OpenVINO™ 工具套件下载安装OpenVINO™ 工具套件demo测试验证安装是否成功Opencv + python api调用方法：OpenVINO推理简介openvinotoolkit/open_model_zoo

本文参考了从零开始搭建树莓派 + intel movidius 神经元计算棒2代深度学习环境

以及树莓派+英特尔神经棒2代部署人工智能应用

树莓派

树莓派介绍

Raspberry Pi(中文名为“树莓派”,简写为RPi，(或者RasPi / RPI) 是为学习计算机编程教育而设计)，只有信用卡大小的微型电脑，其系统基于Linux。别看其外表“娇小”，内“心”却很强大，视频、音频等功能通通皆有，可谓是“麻雀虽小，五脏俱全”。

树莓派由注册于英国的慈善组织“Raspberry Pi 基金会”开发，Eben·Upton/埃·厄普顿为项目带头人。

它是一款基于ARM的微型电脑主板，以SD/MicroSD卡为内存硬盘，卡片主板周围有1/2/4个USB接口和一个10/100 以太网接口（A型没有网口），可连接键盘、鼠标和网线，同时拥有视频模拟信号的电视输出接口和HDMI高清视频输出接口，以上部件全部整合在一张仅比信用卡稍大的主板上，具备所有PC的基本功能只需接通电视机和键盘，就能执行如电子表格、文字处理、玩游戏、播放高清视频等诸多功能。 Raspberry Pi B款只提供电脑板，无内存、电源、键盘、机箱或连线。

教程

链接: 树莓派新手无痛开机指南

链接: 树莓派使用视频教程

操作

内存卡操作软件 WIN32Diskrpi-imager 操作向空白内存卡写入新的系统系统备份文件传输 Filezilla 参见Windows10和树莓派互传文件（filezilla）远程查看 VNC viewer 参见使用teamviewer树莓派远程控制树莓派Teamviewer 参见使用teamviewer树莓派远程控制树莓派

以上为了Filezilla及VNCviewer使用方便，最好将树莓派的IP设置为固定IP。具体方法参见树莓派4B设置静态IP

下载树莓派镜像、烧写镜像、启动配置树莓派参见从零开始搭建树莓派 + intel movidius 神经元计算棒2代深度学习环境

换源部分：

修改sources.list

使用Linux自带的nano编辑器：

sudo nano /etc/apt/sources.list

在打开的文件中，用#注释掉原文件内容，用以下内容取代：

deb http://mirrors.tuna./raspbian/raspbian/ buster main contrib non-free rpideb-src http://mirrors.tuna./raspbian/raspbian/ buster main contrib non-free rpi

ctrl + O 保存， ctrl + X 退出

修改raspi.list

sudo nano /etc/apt/sources.list.d/raspi.list

用#注释掉原文件内容，用以下内容取代：

deb http://mirror.tuna./raspberrypi/ stretch main uideb-src http://mirror.tuna./raspberrypi/ stretch main ui

ctrl + O 保存， ctrl + X 退出.

使用sudo apt-get update命令，更新软件源列表，若没有错误，表示换源成功。

安装cmake

编译c/c++程序时需要使用cmake

使用以下命令安装cmake

sudo apt-get install cmake

Intel 神经计算棒环境配置

Intel 神经计算棒简介

见Intel的Movidius神经计算棒基本概念梳理

OpenVINO™ 工具套件

见英特尔® 发行版 OpenVINO™ 工具套件概述及OpenVINO™ 工具套件概述

下载安装OpenVINO™ 工具套件

下载OpenVINO toolkit for Raspbian安装包：

使用以下地址从/网站下载树莓派版的openvino工具套件。

/opencv//openvinotoolkit/R3/l_openvino_toolkit_runtime_raspbian_p_.3.334.tgz

经测试，版本的openvino与版本相比有一定改变，以下的配置和编译方式不适用于版。

下载完后包位于Downloads/目录下，打开命令行

cd ~/Downloads/

解压包：

tar -xf l_openvino_toolkit_runtime_raspbian_p_.3.334.tgz

在home/pi目录下新建一个名为intel文件夹：

mkdir ~/intel

将上述解压好的l_openvino_toolkit_runtime_raspbian_p_.3.334文件夹修改名称为openvino_，移动至intel文件夹下。

配置路径与环境

执行以下命令，会自动对setupvars.sh文件做修改

sed -i "s|<INSTALLDIR>|$(pwd)/openvino_|" openvino_/bin/setupvars.sh

配置环境，添加环境变量

sudo nano /home/pi/.bashrc

打开.bashrc文件，再最后一行添加一句：

source /home/pi/intel/openvino_/bin/setupvars.sh

保存，再打开一个新的终端，如果出现：

[setupvars.sh] OpenVINO environment initialized

就表示成功了

将当前Linux用户添加到users组：

sudo usermod -a -G users "$(whoami)"

接下来配置USB规则，执行：

sh ~intel/openvino_/install_dependencies/install_NCS_udev_rules.sh

到这里就成功安装好计算棒所需的所有东西了

demo测试验证安装是否成功

构建和运行对象检测示例，这个例子是执行人脸检测的。

下面第一步代表转到包含示例源代码的文件夹~/openvino_/deployment_tools/inference_engine/samples，后面三步表示建立新的文件夹build，并执行编译操作。

cd ~/openvino_/deployment_tools/inference_engine/samplesmkdir build && cd buildcmake .. -DCMAKE_BUILD_TYPE=Release -DCMAKE_CXX_FLAGS="-march=armv7-a"make -j2 object_detection_sample_ssd

编译完成后下载网络和权重文件：

wget --no-check-certificate /opencv//open_model_zoo/R3/0905_163000_models_bin/face-detection-adas-0001/FP16/face-detection-adas-0001.binwget --no-check-certificate /opencv//open_model_zoo/R3/0905_163000_models_bin/face-detection-adas-0001/FP16/face-detection-adas-0001.xml

然后自己在网上找一张人脸的图片，在build文件夹下执行

./armv7l/Release/object_detection_sample_ssd -m face-detection-adas-0001.xml -d MYRIAD -i <path_to_image>#<path_to_image>是人脸图片的绝对路径

如果运行成功，会在build文件夹下输出一副out_0.bmp图片，到这里表示计算棒运行成功！

Opencv + python api调用方法：

有时候我们是在python下做开发，这里也有提供了Opencv + python的运行例子

新建一个文件夹，先建立一个face_detection.py文件，写入：

import cv2 as cv# Load the model net = cv.dnn.readNet('face-detection-adas-0001.xml', 'face-detection-adas-0001.bin') # Specify target device net.setPreferableTarget(cv.dnn.DNN_TARGET_MYRIAD)# Read an image frame = cv.imread('/path/to/image')# Prepare input blob and perform an inference blob = cv.dnn.blobFromImage(frame, size=(672, 384), ddepth=cv.CV_8U) net.setInput(blob) out = net.forward()# Draw detected faces on the frame for detection in out.reshape(-1, 7): confidence = float(detection[2]) xmin = int(detection[3] * frame.shape[1]) ymin = int(detection[4] * frame.shape[0]) xmax = int(detection[5] * frame.shape[1]) ymax = int(detection[6] * frame.shape[0])if confidence > 0.5:cv.rectangle(frame, (xmin, ymin), (xmax, ymax), color=(0, 255, 0))# Save the frame to an image file cv.imwrite('out.png', frame)

在文件夹中放入刚刚我们下载的那两个文件：face-detection-adas-0001.bin和face-detection-adas-0001.xml

还有用于检测用的脸的图片face.jpeg

然后在终端执行：

python3 face_detection.py

程序成功运行没报错，则表示运行成功，然后我们会在文件夹下看见输出结果，检测成功