要使用OpenVINO转换模型，首先，我们需要下载需要的模型，可以网上自己找，也可以使用OpenVINO里面自带的下载脚本。
一、自动下载转化模型
进入到opt/intel/openvino_2019.3.334/deployment_tools/open_model_zoo/tools/downloader文件夹，发现有三个脚本文件：downloader.py，converter.p，info_dumper.py，其分别的用处如下：
- downloader.py – 从在线源下载模型
- converter.py – 把模型转化为IR格式
- info_dumper.py 打印模型的信息
使用之前我们需要安装一些软件依赖，主要是pyyaml和requests。
python3 -m pip install --user -r ./requirements.in然后就可以下载模型了，注意下面是下载全部的模型，所以时间可能有点长
./downloader.py --all当然，你可以指定模型的名字和精度下载自己想要的特定的模型：
./downloader.py --name face-detection-retail-0004 --precisions FP16,INT8比如上面的就是下载权重精度为16位浮点数和8位整数的face-detection-retail-0004模型。下载好模型之后我们就可以转化了，通用的也是把所有的模型转成IR格式：
./converter.py --all同样的，你可以指定转换特定精度的模型：
./converter.py --name=caffenet --precisions=FP16最后的脚本可以输出模型信息的脚本，用法是：
./info_dumper.py --all前面说过树莓派上的示例相对较少，其实它也有对应的下载脚本，不过如果你想自己下载，可以在树莓派的~/Downloads目录下新建openvino文件夹：
mkdir openvino
cd openvino
source /opt/intel/openvino/bin/setupvars.sh
git clone https://github.com/opencv/open_model_zoo.git等待一段时间，就会下载好所有的模型了，如果网络不好的话建议在台式机上下载再传到树莓派上，解决的方法很灵活。
首先让我们在树莓派上编译一下自带的示例测试一下，就是前面所说的Security Barrier Camera Demo，注意这里的编译选项要设置好：
mkdir build && cd build
cmake -DCMAKE_BUILD_TYPE=Release -DCMAKE_CXX_FLAGS="-march=armv7-a" ../.
make -j2 security_barrier_camera_demo编译成功后，运行：
./armv7l/Release/security_barrier_camera_demo操作正确的话会显示和之前一样带有标注框的图片。
因为这些示例都是预先配置好的，所以不需要什么操作，接下来让我们尝试一下自己把预训练模型转化为OpenVINO需要的IR文件，注意这需要在台式机上操作。
首先我们进入目录/opt/intel/openvino/deployment_tools/open_model_zoo/models，发现里面有两个目录，一个是intel，另一个是public。也就是一个是因特尔自家的模型，一个是公开的模型库，我们先来尝试一下SSD MobileNet V2 COCO。这个模型在公开的模型库里有，表示因特尔的硬件支持这个模型。如果你之前因为网络不好而没有下载好这个模型，可以在这里下载ssd_mobilenet_v2_coco_2018_03_29.tar.gz。为了便于操作，我们可以把这个模型的压缩文件复制到桌面的SSD_mobilenet文件夹里，在Ubuntu18.04里，你可以用鼠标复制粘贴也可以用命令操作，然后我们解压得到对应的文件夹。接着进入文件夹ssd_mobilenet_v2_coco_2018_03_29，可以看到这些文件：
如果你想了解这些文件分别是用来干什么的，你需要了解Tensorflow。简单地说，xxx.ckpt.meta保存了计算图结构，xxx.ckpt.data保存了模型变量的取值，xxx.ckpt.index保存了模型变量名，xxx.pb文件保存了完整的计算图结构，也就是计算图的定义和模型权重合并之后的文件。
在开始之前，我们需要配置一下Linux上的模型优化器，这一步之前我们已经做过了，这里就省了，如果没做过，进入安装目录
/opt/intel/openvino/deployment_tools/model_optimizer/install_prerequisites，可以发现里边有安装各个框架依赖的脚本，我们可以运行Tensorflow对应的那个。
./install_prerequisites_tf.sh或者手动配置，进入/opt/intel/openvino/deployment_tools/model_optimizer目录，运行以下命令：
pip3 install -r requirements_tf.txt接着返回到我们之前桌面的目录，根据以下命令将冻结的Tensorflow模型转换为IR格式的文件。
python3 /opt/intel/openvino/deployment_tools/model_optimizer/mo_tf.py \
--input_model frozen_inference_graph.pb \
--data_type FP16 \
--reverse_input_channels \
--batch 1 \
--tensorflow_use_custom_operations_config /opt/intel/openvino/deployment_tools/model_optimizer/extensions/front/tf/ssd_v2_support.json \
--tensorflow_object_detection_api_pipeline_config pipeline.config这里各个参数的意思是:
- mo_tf.py：tensorflow模型优化器启动脚本
- –input_model：冻结的Tensorflow模型文件，以.pb结尾
- –data_type：中间张量和权重的数据类型，上面是将模型中的参数量化到16位浮点数
- –reverse_input_channels：切换输入信道从RGB到BGR，OpenVINO一般需要BGR格式
- –batch：每次输入数据个数为1
- –tensorflow_use_custom_operations_config：自定义操作描述的配置文件
- –tensorflow_object_detection_api_pipeline_config：管道配置文件的路径，生成目标检测模型
成功运行程序后，终端会打印出转换成功的信息，我们会发现之前的文件夹中多出了三个文件。
其中frozen_inference_graph.bin和frozen_inference_graph.xml就是我们需要的IR格式文件。然后可以用之前的那个脚本来测试运行，只需要简单的替换一下文件路径就好了。
留言