前言
上一篇博客给大家介绍了使用opencv加载YOLOv5的onnx模型，但我们发现使用CPU进行推理检测确实有些慢，那难道在CPU上就不能愉快地进行物体识别了吗？当然可以啦，这不LabVIEW和OpenVINO就来了嘛！今天就和大家一起看一下如何在CPU上也能感受丝滑的实时物体识别。
一、OpenVINO是什么
OpenVINO是英特尔针对自家硬件平台开发的一套深度学习工具库，用于快速部署应用和解决方案，包含推断库，模型优化等等一系列与深度学习模型部署相关的功能。
特点：
在边缘启用基于CNN的深度学习推理
支持通过英特尔MovidiusVPU在英特尔CPU，英特尔集成显卡，英特尔神经计算棒2和英特尔视觉加速器设计之间进行异构执行
通过易于使用的计算机视觉功能库和预先优化的内核加快上市时间
包括对计算机视觉标准（包括OpenCV *和OpenCL）的优化调用
二、LabVIEW视觉工具包下载与配置
1、视觉工具包的下载安装
可在如下链接中下载并安装工具包：https://www.cnblogs.com/virobotics/p/16527821.html
2、OpenVINO toolkit下载安装
下载地址：英特尔 Distribution of OpenVINO 工具套件 1）点击Dev Tools
2）选择版本，选择如下版本，并DownLoad：
3）下载后，运行安装即可！
4）可以选择安装路径，具体安装可以参考官方文档：https://docs.openvino.ai/cn/latest/openvino_docs_install_guides_installing_openvino_windows.html
三、模型获取
openvino工作流程，和其他的部署工具都差不多，训练好模型，解析成openvino专用的.xml和.bin，随后传入Inference Engine中进行推理。这里和上一篇博客一样可以使用export.py导出openvino模型：python export.py --weights yolov5s.pt --include openvino 当然这里已经为大家转换好了模型，大家可以直接下载，下载链接：YOLOv5 OpenVINO IR模型
四、LabVIEW+OpenVINO调用Yolov5进行实时物体识别
1、实现过程
dnn模块调用IR模型（模型优化器）
设置计算后台与计算目标设备（推理引擎加速）
获取输出端的LayerName
图像预处理
推理
后处理
绘制检测出的对象
2、程序源码
3、识别结果
CPU模式下，使用openvino进行推理加速，实时检测推理用时仅95ms/frame，是之前加载速度的三分之一
注意：readNetFromModelOptimizer.vi中IR模型路径不可以包含中文
附加说明：计算机环境
操作系统：Windows10
python：3.6及以上
LabVIEW：2018及以上 64位版本
视觉工具包：techforce_lib_opencv_cpu-1.0.0.73.vip
OpenVINO：2021.4.2
总结
以上就是今天要给大家分享的内容。
如需源码，请关注微信公众号VIRobotics,回复关键词：yolov5_openvino。
如您想要探讨更多关于LabVIEW与人工智能技术，欢迎加入我们的技术交流群：705637299，进群请备注暗号：LabVIEW机器学习
