源代码链接：/s/1ntnd2oyp8yCPQ0KQRscyqg
提取码：8ayb
在本教程中，将学习如何将OpenVINO工具包与OpenCV一起使用，以便在Raspberry Pi上进行更快速的深度学习推理。
对于深度学习，当前的Raspberry Pi硬件本质上是资源受限的，很幸运能从大多数最先进的模型中获得超过几个FPS(仅使用RPi CPU)(尤其是对象检测和实例/语义分割)。自以来，Movidius团队一直在努力研发他们的Myriad处理器和消费级USB深度学习棒。随着棒子附带的API的第一个版本运行良好，并展示了Myriad的强大功能，但还有很多不足之处。然后，Movidius APIv2发布并受到Movidius + Raspberry Pi社区的欢迎。它比APIv1更容易/更可靠，但也有相当多的问题。但是现在使用Movidius NCS 变得比以往任何时候都容易，特别是使用OpenCV。
与OpenVINO会面，这是一个用于硬件优化计算机视觉的英特尔库，旨在取代V1和V2 API。
英特尔转向使用OpenVINO软件支持Movidius硬件，使得Movidius闪耀着所有金属蓝色的光彩。OpenVINO使用起来非常简单 - 只需设置目标处理器(单个函数调用)，让OpenVINO优化的OpenCV处理其余部分。
但问题仍然存在：
如何在Raspberry Pi上安装OpenVINO？
今天将学习这一点，以及一个实用的物体检测演示(扰流警报：现在使用Movidius协处理器很简单)。
要了解如何在Raspberry Pi上安装OpenVINO(并使用Movidius Neural Compute Stick执行对象检测)，请按照本教程进行操作！
Raspberry Pi上的OpenVINO，OpenCV和Movidius NCS
在这篇博文中，将介绍三个主要主题。
将了解OpenVINO是什么以及它如何成为Raspberry Pi非常受欢迎的范例转换。
将介绍如何在Raspberry Pi上安装OpenCV和OpenVINO。
将使用OpenVINO，OpenCV和Movidius NCS开发实时对象检测脚本。
注意：博客上有很多Raspberry Pi安装指南，大多数与Movidius无关。在开始之前，请务必查看OpenCV安装指南页面上的可用安装教程，并选择最适合需求的安装教程。
/opencv-tutorials-resources-guides/
什么是OpenVINO？
图1：英特尔OpenVINO工具包可针对英特尔硬件(如Movidius Neural Compute Stick)优化您的计算机视觉应用程序。使用Raspberry Pi和Movidius NCS使用OpenVINO和OpenCV进行实时对象检测可以获得显着的加速。
英特尔的OpenVINO是一个加速库，可通过英特尔的硬件产品组合优化计算。
OpenVINO支持Intel CPU，GPU，FPGA和VPU。
OpenVINO支持您依赖的深度学习库，如TensorFlow，Caffe和mxnet。
图2：Intel OpenVINO Toolkit支持intel CPU，GPU，FPGA和VPU。TensorFlow，Caffe，mxnet和OpenCV的DNN模块均针对英特尔硬件进行了优化和加速。MovidO支持Movidius视觉处理单元(VPU)，并与Raspberry Pi配合使用。(来源：OpenVINO产品简介)
英特尔甚至优化了OpenCV的DNN模块，以支持其硬件深度学习。
事实上，许多较新的智能相机使用英特尔的硬件和OpenVINO工具包。OpenVINO是最优秀的边缘计算和物联网 - 它使像Raspberry Pi这样的资源受限设备能够与Movidius协处理器协同工作，以对实际应用程序有用的速度执行深度学习。
将在Raspberry Pi上安装OpenVINO，以便在下一节中与Movidius VPU(视觉处理单元)一起使用。
请务必阅读OpenVINO产品简介PDF以获取更多信息。
https://www.intel.in/content/www/in/en/internet-of-things/solution-briefs/openvino-toolkit-product-brief.html
在Raspberry Pi上安装OpenVINO优化的OpenCV
在本节中，将介绍在Raspberry Pi上安装OpenCV和OpenVINO所需的先决条件和所有步骤。
硬件，假设和先决条件
在本教程中，将假设拥有以下硬件：
Raspberry Pi 3B +(或Raspberry Pi 3B)
Movidius NCS 2(或Movidius NCS 1)
PiCamera V2(或USB网络摄像头)
带有 Raspbian Stretch的32GB microSD卡刷新(16GB可能也可以使用)
HDMI屏幕+键盘/鼠标(至少用于初始WiFi配置)
5V电源(我建议使用2.5A电源，因为Movidius NCS是电源)
如果没有带有Raspbian Stretch新烧伤的microSD，可以在这里下载。建议完整安装：
/downloads/raspbian/
图3：OpenBuop和Raspberry Pi上的Movidius需要Raspbian Stretch操作系统。
从那里，使用Etcher(或合适的替代品)来刷卡。
准备好后，将microSD卡插入Raspberry Pi并启动它。
输入WiFi凭据并启用SSH，VNC和相机界面。
从这里需要以下之一：
物理访问您的Raspberry Pi，以便您可以打开终端并执行命令
通过SSH或VNC进行远程访问
通过SSH完成本教程的大部分内容，但只要可以访问终端，就可以轻松跟进。
不能SSH？如果您在网络上看到了Pi，但无法使用它，则可能需要启用SSH。这可以通过Raspberry Pi桌面首选项菜单或使用raspi - config 命令轻松完成 。
更改设置并重新启动后，可以使用localhost地址直接在Pi上测试SSH。
打开终端并键入 ssh pi @ 127.0.0.1 以查看它是否正常工作。要从另一台计算机进行SSH，需要Pi的IP地址 - 可以通过查看路由器的客户端页面或运行ifconfig 来确定IP地址，以确定Pi本身的IP。
Raspberry Pi键盘布局是否会给您带来问题？转到Raspberry Pi桌面首选项菜单，更改键盘布局。使用标准的美式键盘布局，但需要选择适合您的布局。
步骤＃0：在Raspberry Pi上扩展文件系统
要启动OpenVINO派对，请启动Raspberry Pi并打开SSH连接(或者使用带键盘+鼠标的Raspbian桌面并启动终端)。
如果刚刚刷过Raspbian Stretch，建议首先检查以确保文件系统使用microSD卡上的所有可用空间。
要检查您的磁盘空间使用情况执行DF - ^ h 在终端命令并检查输出：
$ df -hFilesystemSize Used Avail Use% Mounted on/dev/root 30G 4.2G 24G 15% /devtmpfs 434M0 434M 0% /devtmpfs 438M0 438M 0% /dev/shmtmpfs 438M 12M 427M 3% /runtmpfs 5.0M 4.0K 5.0M 1% /run/locktmpfs 438M0 438M 0% /sys/fs/cgroup/dev/mmcblk0p1 42M 21M 21M 51% /boottmpfs 88M0 88M 0% /run/user/1000
Raspbian文件系统已自动扩展为包含所有32GB的micro-SD卡。这表示大小为30GB(接近32GB)，有24GB可用(15％使用率)。
如果发现自己没有使用整个存储卡容量，可以在下面找到有关如何扩展文件系统的说明。
在终端中打开Raspberry Pi配置：
$ sudo raspi-config
然后选择“高级选项”菜单项：
图4：raspi-config在安装OpenVINO和OpenCV之前，从菜单中选择“高级选项” 以扩展Raspberry Pi上的Raspbian文件系统非常重要。接下来实际上将扩展文件系统。
然后选择“扩展文件系统”：
图5：Raspberry Pi“扩展文件系统”菜单允许利用整个闪存卡。这将提供安装OpenVINO，OpenCV和其他软件包所需的空间。
提示后，应该选择第一个选项“A1。“展开文件系统”，按键盘上的Enter键，向下箭头按下“<完成>”按钮，然后重新启动Pi - 系统将提示您重新启动。或者可以从终端重新启动：
$ sudo reboot
一定要运行 DF - ^ h 再次命令来检查文件系统扩展。
步骤1：回收Raspberry Pi上的空间
在Raspberry Pi上获得更多空间的一个简单方法是删除LibreOffice和Wolfram引擎以释放Pi上的一些空间：
$ sudo apt-get purge wolfram-engine$ sudo apt-get purge libreoffice*$ sudo apt-get clean$ sudo apt-get autoremove
删除Wolfram Engine和LibreOffice后，可以回收近1GB！
步骤3：在Raspberry Pi上安装OpenVINO + OpenCV依赖项
此步骤显示了在每个OpenCV系统上安装的一些依赖项。虽然很快就会看到OpenVINO已经编译完毕，但建议继续安装这些软件包，以防最终在任何时候从头开始编译OpenCV。
更新系统：
$ sudo apt-get update && sudo apt-get upgrade
然后安装包括CMake在内的开发人员工具：
$ sudo apt-get install build-essential cmake unzip pkg-config
接下来是时候安装一个选择图像和视频库的-这是关键，以能够与图像和视频文件的工作：
$ sudo apt-get install libjpeg-dev libpng-dev libtiff-dev$ sudo apt-get install libavcodec-dev libavformat-dev libswscale-dev libv4l-dev$ sudo apt-get install libxvidcore-dev libx264-dev
从那里安装GTK，GUI后端：
$ sudo apt-get install libgtk-3-dev
现在安装一个可能有助于减少GTK警告的软件包：
$ sudo apt-get install libcanberra-gtk*
星号确保将获取特定于ARM的GTK。这是必需的。
现在需要两个包含OpenCV数值优化的包：
$ sudo apt-get install libatlas-base-dev gfortran
最后安装Python 3开发头文件：
$ sudo apt-get install python3-dev
安装完所有这些先决条件后，可以继续执行下一步。
步骤＃4：为您的Raspberry Pi下载并解压缩OpenVINO
图6：下载并安装用于Raspberry Pi和Movidius计算机视觉应用程序的OpenVINO工具包(来源：英特尔的OpenVINO产品简介)。
从此处开始，安装说明主要基于英特尔的Raspberry Pi OpenVINO指南。有一些“陷阱”，这就是为什么决定写一个指南。还将使用PyImageSearch读者所期望的虚拟环境。
下一步是下载OpenVINO。
导航到主文件夹并创建一个新目录
$ cd ~$ mkdir openvino$ cd openvino
从那里开始，获取用于Raspberry Pi下载的OpenVINO工具包。可以尝试wget，只要注意后续代码块中提到的问题：
$ wget /openvinotoolkit/_R5/packages/l_openvino_toolkit_ie_p_.5.445.tgz
此时，通过反复试验，发现 wget 实际上只抓取了一个HTML文件，这似乎是英特尔下载站点上一个非常奇怪的服务器错误。
使用此命令确保实际拥有tar文件：
$ file l_openvino_toolkit_ie_p_.5.445.tgz # bad outputl_openvino_toolkit_ie_p_.5.445.tgz: HTML document text, UTF-8 Unicode text, with very long lines # good outputl_openvino_toolkit_ie_p_.5.445.tgz: gzip compressed data, was "l_openvino_toolkit_ie_p_.5.445.tar", last modified: Wed Dec 19 12:49:53 , max compression, from FAT filesystem (MS-DOS, OS/2, NT)
如果输出与突出显示的“良好输出”匹配，则可以安全地继续提取存档。否则，请删除该文件，然后重试。
成功下载OpenVINO工具包后，可以使用以下命令取消归档：
$ tar -xf l_openvino_toolkit_ie_p_.5.445.tgz
解压缩归档的结果是一个名为inference_engine_vpu_arm的文件夹 。
步骤＃5：在Raspberry Pi上配置OpenVINO
用OpenVINO目录的绝对路径修改setupvars .sh脚本 。
为此将使用nano终端文本文件编辑器：
$ nano openvino/inference_engine_vpu_arm/bin/setupvars.sh
该文件将如下所示：
图5：Intel OpenVINO setupvars.sh文件要求在Raspberry Pi上插入OpenVINO安装目录的路径。
需要使用以下内容替换 < INSTALLDIR >：
/ home / pi / openvino / inference_engine_vpu_arm
它现在看起来应该是这样的：
图8：setupvars.sh Raspberry Pi上的OpenVINO的安装目录已经更新。
要保存文件，请按“ctrl + o，输入”，然后按 “ctrl + x ”退出。
从那里开始，再次使用 nano来编辑 〜/ .bashrc 。每次调用Pi终端时，都会添加一行来加载OpenVINO的setupvars .sh。继续打开文件：
$ nano ~/.bashrc
滚动到底部并添加以下行：
# OpenVINOsource ~/openvino/inference_engine_vpu_arm/bin/setupvars.sh
现在像之前一样保存并退出nano。
然后继续采购〜/ .bashrc中的文件：
$ source ~/.bashrc
步骤＃6：在Raspberry Pi上为Movidius NCS和OpenVINO配置USB规则
OpenVINO要求设置自定义USB规则。
首先，输入以下命令将当前用户添加到Raspbian“users”组：
$ sudo usermod -a -G users "$(whoami)"
然后注销并重新登录。如果您使用的是SSH，则可以键入exit ，然后重新建立SSH连接。现在通过sudo reboot重新启动也是一个选项。
返回终端后，运行以下脚本来设置USB规则：
$ cd ~$ sh openvino/inference_engine_vpu_arm/install_dependencies/install_NCS_udev_rules.sh
步骤＃7：在Raspberry Pi上创建一个OpenVINO虚拟环境
抓住并安装一个Python包管理器pip。
要安装pip，只需在终端中输入以下内容：
$ wget https://bootstrap.pypa.io/get-pip.py$ sudo python3 get-pip.py
将利用OpenCV和OpenVINO利用虚拟环境进行Python开发。
虚拟环境允许在系统上独立运行独立的隔离Python环境。今天将只设置一个环境，可以轻松地为每个项目创建一个环境。
继续安装virtualenv和virtualenvwrapper吧 - 它们允许Python虚拟环境：
$ sudo pip install virtualenv virtualenvwrapper$ sudo rm -rf ~/get-pip.py ~/.cache/pip
要完成这些工具的安装，需要再次更新 〜/ .bashrc ：
$ nano ~/.bashrc
然后添加以下行：
# virtualenv and virtualenvwrapperexport WORKON_HOME=$HOME/.virtualenvsexport VIRTUALENVWRAPPER_PYTHON=/usr/bin/python3source /usr/local/bin/virtualenvwrapper.sh
图9：Raspberry Pi ~/.bashrc配置文件已更新，以适应OpenVINO和virtualenvwrapper。现在将能够为Python包创建一个虚拟环境。
或者可以通过bash命令直接追加行：
$ echo -e "\n# virtualenv and virtualenvwrapper" >> ~/.bashrc$ echo "export WORKON_HOME=$HOME/.virtualenvs" >> ~/.bashrc$ echo "export VIRTUALENVWRAPPER_PYTHON=/usr/bin/python3" >> ~/.bashrc$ echo "source /usr/local/bin/virtualenvwrapper.sh" >> ~/.bashrc
接下来，获取〜/ .bashrc配置文件：
$ source ~/.bashrc
现在创建一个虚拟环境来保存OpenVINO，OpenCV和相关的包：
$ mkvirtualenv openvino -p python3
此命令只是创建一个名为openvino的Python 3虚拟环境。
可以为喜欢的环境命名。
通过查看bash提示来验证我们是否处于openvino环境中。它应该在提示的开头显示 (openvino )，如图所示：
如果虚拟环境不活动，只需使用 workon 命令：
$ workon openvino
图10：该workon openvino命令激活我们的OpenVINO Python 3虚拟环境。现在准备安装Python软件包并使用Movidius和Raspberry Pi运行计算机视觉代码。
步骤＃8：将软件包安装到OpenVINO环境中
安装今天演示脚本所需的一些软件包
$ workon openvino$ pip install numpy$ pip install "picamera[array]"$ pip install imutils
现在已经在openvino虚拟环境中安装了这些软件包，它们只能在openvino环境中使用。这是在OpenVINO项目上工作的隔离区域。
可以使用pip通过requirements.txt文件安装Caffe，TensorFlow和mxnet的附加软件包。
步骤＃6：将OpenVINO的OpenCV链接到Python 3虚拟环境
OpenCV已准备好进入虚拟环境之外。但这是使用系统环境的不良做法。将OpenVIN的OpenVIN版本链接到Python虚拟环境中，这样就可以轻松获得今天的演示。
在这里将创建一个“符号链接”。符号链接在系统上的两个位置之间创建一个特殊的链接(在例子中，它是一个.so 文件 - 将sym-link视为指向另一个文件的“快捷方式”。
运行命令时会注意到导航到链接的目标，并创建sym-link回到文件实际存在的位置。
很难找到OpenVINO的OpenCV .so文件，所以使用了find 命令：
$ find / -name "cv2*.so".../home/pi/openvino/inference_engine_vpu_arm/python/python3.5/cv2.cpython-35m-arm-linux-gnueabihf.so
不得不滚动一堆输出来查找OpenCV二进制文件路径。因此省略了上面不需要的输出。
由于使用的是Python 3，因此请确保复制Python 3.5路径而不是Python 2.7路径。
通过剪贴板中的路径，创建sym-link到openvino虚拟环境 站点- packages ：
$ cd ~/.virtualenvs/openvino/lib/python3.5/site-packages/$ ln -s /home/pi/openvino/inference_engine_vpu_arm/python/python3.5/cv2.cpython-35m-arm-linux-gnueabihf.so cv2.so$ cd ~
注意第二行包裹特别长。不能不强调这一步 - 这一步至关重要。如果不创建符号链接，则无法在OpenVINO Python脚本中导入OpenCV。另外请确保上述命令中的路径和文件名对于Raspberry Pi是正确的。建议制表完成。
步骤＃7：在Raspberry Pi上测试OpenVINO安装
在尝试OpenVINO示例之前，做一个快速的健全性测试，看看OpenCV是否准备就绪。
打开终端并执行以下操作：
$ workon openvino$ python>>> import cv2>>> cv2.__version__'4.0.1-openvino'>>> exit()
第一个命令激活OpenVINO虚拟环境。从那里在环境中启动Python 3二进制文件并导入OpenCV。
OpenCV的版本表明它是OpenVINO优化安装！
使用Raspberry Pi和OpenVINO进行实时对象检测
安装OpenVINO非常简单，甚至不需要编译OpenCV。英特尔团队做得很好！
现在使用OpenVINO让Movidius神经计算棒工作。
为了比较将运行带有和不带 Movidius 的MobileNet SSD物体探测器来测试FPS。将这些值与之前使用Movidius NCS APIv1的结果进行比较。
项目结构
继续抓住博客文章的“源代码下载”。
解压缩zip后，可以使用tree命令检查项目目录：
$ tree.├── MobileNetSSD_deploy.caffemodel├── MobileNetSSD_deploy.prototxt├── openvino_real_time_object_detection.py└── real_time_object_detection.py 0 directories, 3 files
MobileNet SSD对象检测器文件包括.caffemodel和.prototxt.txt文件。这些是预训练的。
使用OpenVINO，Movidius NCS和Raspberry Pi进行实时对象检测
为了展示OpenVINO在带有Movidius的Raspberry Pi上的强大功能，将进行实时深度学习对象检测。
Movidius / Myriad协处理器将执行实际的深度学习推理，减少Pi的CPU负载。
仍然会使用Raspberry Pi CPU来处理结果并告诉Movidius该做什么，正在为Myriad保留深度学习推理，因为它的硬件已经过优化并专为深度学习推理而设计。
今天只添加一行执行计算的代码(以及注释+空白行)。这使得新的总数达到103行代码， 而不使用以前的复杂Movidius APIv1(215行代码)。
//02/19/real-time-object-detection-on-the-raspberry-pi-with-the-movidius-ncs/
通过OpenCV和Movidius了解OpenVINO API所需的变化。
继续打开一个名为openvino_real_time_object_detection.py的文件并插入以下行，密切关注33-35行：
# import the necessary packagesfrom imutils.video import VideoStreamfrom imutils.video import FPSimport numpy as npimport argparseimport imutilsimport timeimport cv2 # construct the argument parse and parse the argumentsap = argparse.ArgumentParser()ap.add_argument("-p", "--prototxt", required=True,help="path to Caffe 'deploy' prototxt file")ap.add_argument("-m", "--model", required=True,help="path to Caffe pre-trained model")ap.add_argument("-c", "--confidence", type=float, default=0.2,help="minimum probability to filter weak detections")ap.add_argument("-u", "--movidius", type=bool, default=0,help="boolean indicating if the Movidius should be used")args = vars(ap.parse_args()) # initialize the list of class labels MobileNet SSD was trained to# detect, then generate a set of bounding box colors for each classCLASSES = ["background", "aeroplane", "bicycle", "bird", "boat","bottle", "bus", "car", "cat", "chair", "cow", "diningtable","dog", "horse", "motorbike", "person", "pottedplant", "sheep","sofa", "train", "tvmonitor"]COLORS = np.random.uniform(0, 255, size=(len(CLASSES), 3)) # load our serialized model from diskprint("[INFO] loading model...")net = cv2.dnn.readNetFromCaffe(args["prototxt"], args["model"]) # specify the target device as the Myriad processor on the NCSnet.setPreferableTarget(cv2.dnn.DNN_TARGET_MYRIAD) # initialize the video stream, allow the cammera sensor to warmup,# and initialize the FPS counterprint("[INFO] starting video stream...")vs = VideoStream(usePiCamera=True).start()time.sleep(2.0)fps = FPS().start() # loop over the frames from the video streamwhile True:# grab the frame from the threaded video stream and resize it# to have a maximum width of 400 pixelsframe = vs.read()frame = imutils.resize(frame, width=400) # grab the frame dimensions and convert it to a blob(h, w) = frame.shape[:2]blob = cv2.dnn.blobFromImage(frame, 0.007843, (300, 300), 127.5) # pass the blob through the network and obtain the detections and# predictionsnet.setInput(blob)detections = net.forward() # loop over the detectionsfor i in np.arange(0, detections.shape[2]):# extract the confidence (i.e., probability) associated with# the predictionconfidence = detections[0, 0, i, 2] # filter out weak detections by ensuring the `confidence` is# greater than the minimum confidenceif confidence > args["confidence"]:# extract the index of the class label from the# `detections`, then compute the (x, y)-coordinates of# the bounding box for the objectidx = int(detections[0, 0, i, 1])box = detections[0, 0, i, 3:7] * np.array([w, h, w, h])(startX, startY, endX, endY) = box.astype("int") # draw the prediction on the framelabel = "{}: {:.2f}%".format(CLASSES[idx],confidence * 100)cv2.rectangle(frame, (startX, startY), (endX, endY),COLORS[idx], 2)y = startY - 15 if startY - 15 > 15 else startY + 15cv2.putText(frame, label, (startX, y),cv2.FONT_HERSHEY_SIMPLEX, 0.5, COLORS[idx], 2) # show the output framecv2.imshow("Frame", frame)key = cv2.waitKey(1) & 0xFF # if the `q` key was pressed, break from the loopif key == ord("q"):break # update the FPS counterfps.update() # stop the timer and display FPS informationfps.stop()print("[INFO] elasped time: {:.2f}".format(fps.elapsed()))print("[INFO] approx. FPS: {:.2f}".format(fps.fps())) # do a bit of cleanupcv2.destroyAllWindows()vs.stop()
第33-35行是新的。
在第35行，告诉OpenCV的DNN模块使用net来使用Myriad协处理器。setPreferableTarget (CV2 。DNN 。DNN_TARGET_MYRIAD )。
Myriad处理器内置于Movidius神经计算棒中。如果在具有嵌入式Myriad芯片的设备上运行OpenVINO + OpenCV(即没有庞大的USB记忆棒)，则可以使用相同的方法。
OpenVINO对象检测结果
图11：使用OpenVINO，OpenCV和Raspberry Pi进行对象检测。
要运行今天的脚本，首您需要获取与此帖相关的“源代码下载”。
解压缩zip并导航到目录。
要使用OpenVINO执行对象检测，只需执行以下命令：
$ python openvino_real_time_object_detection.py--prototxt MobileNetSSD_deploy.prototxt \--model MobileNetSSD_deploy.caffemodel[INFO] loading model...[INFO] starting video stream...[INFO] elasped time: 55.35[INFO] approx. FPS: 8.31
在大约一分钟内达到8.31FPS。
使用MobileNet SSD收集了其他结果，如下表所示：
图12：使用OpenVINO的MobileNet SSD深度学习对象检测器与Movidius神经计算棒的基准比较。
OpenVINO和Movidius NCS 2是非常快的，一个巨大的以前版本的加速。
令人惊讶的是，与仅使用RPi 3B + CPU(没有Movidius协处理器)相比，结果大于8倍。
最右边的两列(浅蓝色列3和4)显示了NCS1和NCS2之间的OpenVINO比较。
请注意，第二列统计信息是使用RPi 3B(而不是3B +)。它是在2月使用之前的API和以前的RPi硬件拍摄的。
故障排除和常见问题(FAQ)
问：如何将操作系统闪存到我的Raspberry Pi存储卡上？
答：我建议你：
拿一张16GB或32GB的存储卡。
Flash Raspbian拉伸与蚀刻卡到卡。Etcher受大多数主要操作系统的支持。
将卡插入Raspberry Pi，然后从本博文中的 “假设”和 “步骤1”部分开始。
问：我可以使用Python 2.7吗？
答：我不建议使用Python 2.7，因为它快速接近其使用寿命。Python 3现在是标准。我还没有用Python 2.7测试过OpenVINO。但如果你坚持......
以下是如何使用Python 2.7启动和运行：
$ sudo apt-get install python2.7 python2.7-dev
然后，在步骤＃4中创建虚拟环境之前 ，首先安装Python 2.7的pip：
$ sudo python2.7 get-pip.py
同样在步骤＃4中：当您创建虚拟环境时，只需使用相关的Python版本标志：
$ mkvirtualenv openvino_py27 -p python2.7
从那里一切都应该是一样的。
问：为什么我不能只是apt-get安装OpenCV并且支持OpenVINO？
A. 避免这种“解决方案”不惜一切代价，即使它可能工作。首先，这种方法可能不会安装OpenVINO，直到它更受欢迎。其次，apt-get对虚拟环境不起作用，你无法控制你的编译和构建。
问：mkvirtualenv 和workon 命令产生“命令未找到错误”。我不知道下一步该做什么。
答：有很多原因导致您看到此错误消息，所有这些都来自第4步：
首先，确保使用pip包管理器正确安装了virtualenv 和virtualenvwrapper。通过运行pip 冻结验证并确保您看到virtualenv和virtualenvwrapper都在已安装的软件包列表中。你的 〜/ .bashrc 文件可能有错误。检查〜/的内容 .bashrc中文件以查看适当的 \出口和源命令是本(检查步骤＃4 为应被附加到命令 〜/ .bashrc中 )。
您可能忘记源的 〜/ .bashrc中 。确保你运行source ~ / 。编辑后的bashrc以确保您可以访问 mkvirtualenv 和 workon 命令。
问：当我打开新终端，注销或重新启动我的Raspberry Pi时，我无法执行 mkvirtualenv 或 workon 命令。
答：如果你在Raspbian桌面上，可能会发生这种情况。由于某种原因，启动终端时加载的默认配置文件不会提供 〜/ 。bashrc 文件。请参阅上 一个问题中的＃2。通过SSH，您可能不会遇到这种情况。
问：当我尝试导入OpenCV时，遇到以下消息：导入错误：没有名为cv2的模块 。
答：有 几个原因可能会发生，不幸的是，很难诊断出来。我建议以下建议来帮助诊断和解决错误：
使用workon openvino 命令确保您的openvino虚拟环境处于活动状态 。如果此命令出现错误，请验证 virtualenv 和 virtualenvwrapper 是否已正确安装。
尝试调查openvino虚拟环境中site - packages 目录 的内容 。你可以在〜/找到 site - packages目录 。virtualenvs / openvino / lib / python3 。5 / site - packages / 。确保(1)site - packages 目录中有一个 cv2 sym-link 目录，(2)它是sym-linked正确的。
请务必找到步骤＃6中演示的 cv2 * .so文件。
结论
今天了解了英特尔的OpenVINO工具包，以及它如何用于提高Raspberry Pi的深度学习推理速度。还学习了如何安装OpenVINO工具包，包括Raspberry Pi上OpenVINO优化版本的OpenCV。然后运行了一个简单的MobileNet SSD深度学习对象检测模型。它只需要一行代码就可以将目标设备设置为Movidius棒上的Myriad处理器。还证明了Movidius NCS + OpenVINO非常快，在Raspberry Pi的CPU上显着优于对象检测速度。
推荐阅读
OpenCV和Tensorflow 实现机器人沿着人行道移动
关于图书
《深度学习之TensorFlow：入门、原理与进阶实战》和《Python带我起飞——入门、进阶、商业实战》两本图书是代码医生团队精心编著的 AI入门与提高的精品图书。配套资源丰富：配套视频、QQ读者群、实例源码、 配套论坛：。更多请见：
