前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >当Intel的神经棒遇到NVIDIA的Jetson TX2

当Intel的神经棒遇到NVIDIA的Jetson TX2

作者头像
GPUS Lady
发布2018-06-25 16:04:14
5.5K0
发布2018-06-25 16:04:14
举报
文章被收录于专栏:GPUS开发者

今天,来自石家庄铁道大学的杨萌同学给大家介绍如何在Jetson TX2上安装Intel神经棒——想像一下如果NV和Intel在AI领域强强联合,会出现什么效果?

It is very Interesting!

1

Intel神经计算棒简介

神经计算棒(Neural Compute Stick, NCS),图1所示,可以对神经网络的计算起到加速的作用。

图1 神经计算棒

它的技术参数如下:

处理器

Intel Movidius VPU

支持框架

TensorFlow, Caffe

连接方式

USB 3.0 Type-A

尺寸

USB stick (72.5mm X 27mm X 14mm)

工作温度

0°~ 40° C

最低系统要求

x86_64 Ubuntu 16.04 主机Raspberry Pi 3B Stretch desktopUbuntu 16.04虚拟机,USB 2.0 Type-A 接口 (推荐 USB 3.0),1GB RAM,4GB 存储空间

2

工作方式

NCS工作方式分为两种,一种是在主机上将训练好的模型生成NCS可执行graph文件,该文件用于推理过程;另一种是在树莓派、Jetson TX2等便携式计算机上加速推理过程。

2.1 主机端

安装:

将神经计算棒插入主机中,在终端执行以下命令:

git clone https://github.com/movidius/ncsdk

cd ncsdk

make install

make install的作用如下:

(1)检查安装Tensorflow;

(2)检查安装Caffe(SSD-caffe);

(3)编译安装ncsdk(不包含inference模块,只包含mvNCCompile相关模块,用来将Caffe或Tensorflow模型转成NCS graph的)

之后执行:

make example

程序顺利运行不报错的话,就说明已经安装成功了。

使用:

将训练好的模型生成NCS可以执行的graph文件,在终端执行以下命令:

mvNCCompile network.prototxt -w network.caffemodel -s MaxNumberOfShaves -in InputNodeName -on OutputNodeName-is InputWidth InputHeight -o OutputGraphFilename

network.prototxt:.prototxt文件的路径

  • -w network.caffemode:模型文件的路径
  • -s MaxNumberOfShaves:1, 2, 4, 8, 12。默认为12
  • -in InputNodeName:选择指定一个特定的输入图层(它将匹配prototxt文件中的名称,可选项)
  • -on OutputNodeName:默认情况下网络是通过输出张量进行处理的,这个选项允许用户在网络中选择一个替代端点(可选项)
  • -is InputWidth InputHeight:输入尺寸,需要与网络匹配
  • -o OutputGraphFilename:生成的graph文件存储路径

2.2 在Jetson TX2上如何安装NCS

在TX2上只完成推理(Inference)过程,所以只需安装API-only模式即可,将NCS插入到TX2上。

(1)安装依赖:

sudo apt-get install -y libusb-1.0-0-dev libprotobuf-dev libleveldb-dev libsnappy-dev libopencv-dev libhdf5-serial-dev protobuf-compiler libatlas-base-dev git automake byacc lsb-release cmake libgflags-dev libgoogle-glog-dev liblmdb-dev swig3.0 graphviz libxslt-dev libxml2-dev gfortran python3-dev python-pip python3-pip python3-setuptools python3-markdown python3-pillow python3-yaml python3-pygraphviz python3-h5py python3-nose python3-lxml python3-matplotlib python3-numpy python3-protobuf python3-dateutil python3-skimage python3-scipy python3-six python3-networkx python3-tk

(2)下载源码:

mkdir ~/workspace

cd ~/workspace

git clone https://github.com/movidius/ncsdk

(3)编译和安装NCSDK API框架

cd ~/workspace/ncsdk/api/src

make

sudo make install

(4)测试

cd ~/workspace

git clone https://github.com/movidius/ncappzoo

cd ncappzoo/apps/hello_ncs_py

python3 hello_ncs.py

出现以下结果:

Hello NCS! Device opened normally.

Goodbye NCS! Device closed normally.

NCS device working.

API-only模式安装成功。

3

如何在Jetson TX2利用NCS进行推理

参数预定义:

  • GRAPH_PATH:graph文件路径;
  • IMAGE_PATH:要分类的图片的路径;
  • IMAGE_DIM:由选择的神经网络定义的图像尺寸;例:GoogLeNet uses 224x224 pixels, AlexNet uses 227x227 pixels
  • IMAGE_STDDEV:由选择的神经网络定义的标准差(标度值);例:GoogLeNet uses no scaling factor, InceptionV3 uses 128 (stddev = 1/128)
  • IMAGE_MEAN:平均减法是深度学习中常用的一种技术,用于对数据进行中心处理。例:ILSVRC dataset, the mean is B = 102 Green = 117 Red = 123

使用NCS做图像分类的5个步骤:

从mvnc库中引入mvncapi模块

import mvnc.mvncapi as mvnc

01

将NCS插入应用处理器(Ubuntu笔记本电脑/台式机)USB端口时,它将自身列为USB设备。通过调用API来查找枚举的NCS设备:

# Look for enumerated Intel Movidius NCS device(s); quit program if none found.

devices = mvnc.EnumerateDevices()

if len( devices ) == 0:

print( 'No devices found' )

quit()

如果插入了多个NCS,还需要选择一个NCS并打开:

# Get a handle to the first enumerated device and open it

device = mvnc.Device( devices[0] )

device.OpenDevice()

02

加载graph文件到NCS

# Read the graph file into a buffer

with open( GRAPH_PATH, mode='rb' ) as f:

blob = f.read()

# Load the graph buffer into the NCS

graph = device.AllocateGraph( blob )

03

将图像加载到Intel Movidius NCS上以运行推理

图像预处理:

1.调整图像大小/裁剪图像以匹配预先训练的网络定义的尺寸。例:GoogLeNet uses 224x224 pixels, AlexNet uses 227x227 pixels.

2.每个通道的平均值(蓝色,绿色和红色)从整个数据集中减去。这是深度学习中常用的一种技术,可以集中数据。

3.将图像转换为半精度浮点数(fp16)数组(NCS输入数据格式为fp16),并使用LoadTensor函数调用将图像加载到NCS上。skimage库可以在一行代码中完成此操作。

# Read & resize image (Image size is defined during training)

img = print_img = skimage.io.imread( IMAGES_PATH )

img = skimage.transform.resize( img, IMAGE_DIM, preserve_range=True )

# Convert RGB to BGR [skimage reads image in RGB, but Caffe uses BGR]

img = img[:, :, ::-1]

# Mean subtraction & scaling [A common technique used to center the data]

img = img.astype( numpy.float32 )

img = ( img - IMAGE_MEAN ) * IMAGE_STDDEV

# Load the image as a half-precision floating point array

graph.LoadTensor( img.astype( numpy.float16 ), 'user object' )

04

从NCS读取并打印推理结果

# Get the results from NCS

output, userobj = graph.GetResult()

# Print the results

print('\n------- predictions --------')

labels = numpy.loadtxt( LABELS_FILE_PATH, str, delimiter = '\t' )

order = output.argsort()[::-1][:6]

for i in range( 0, 5 ):

print ('prediction ' + str(i) + ' is ' + labels[order[i]])

# Display the image on which inference was performed

skimage.io.imshow( IMAGES_PATH )

skimage.io.show( )

05

卸载图形并关闭设备

为了避免内存泄漏和/或分段错误,我们应该关闭所有打开的文件或资源并释放所有使用的内存。

graph.DeallocateGraph()

device.CloseDevice()

4

运行Demo

Demo采用Adrian Rosebrock博客Real-time object detection on the Raspberry Pi with the Movidius NCS - PyImageSearch里的程序(https://www.pyimagesearch.com/2018/02/19/real-time-object-detection-on-the-raspberry-pi-with-the-movidius-ncs/),这个程序基于Mobilenet-ssd模型对视频流做实时检测,如图2所示,Demo采用USB摄像头读取实时视频。图3为检测结果。

图2 TX2搭载NCS做检测

图3 检测结果

通过NCS加速,Demo对视频的处理速度可以达到7.67FPS;由于树莓派USB接口为2.0接口,会影响主机和NCS的通信速度,其视频处理速度为3.4FPS;而运行OpenCV 3.4.0中的dnn模块中的mobilenet-ssd Demo进行物体检测时,帧频仅为4.89FPS。需要说明是,这仅仅是一个安装教程,如何提高检测精度和检测速度,还需要大家进一步深挖。

参考

https://github.com/movidius/ncsdk

https://movidius.github.io/blog/ncs-apps-on-rpi/

https://movidius.github.io/blog/ncs-image-classifier/

https://www.pyimagesearch.com/2018/02/19/real-time-object-detection-on-the-raspberry-pi-with-the-movidius-ncs/

(本文指导老师:石家庄铁道大学王老师)

本文参与 腾讯云自媒体同步曝光计划,分享自微信公众号。
原始发表:2018-05-04,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 GPUS开发者 微信公众号,前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
相关产品与服务
文件存储
文件存储(Cloud File Storage,CFS)为您提供安全可靠、可扩展的共享文件存储服务。文件存储可与腾讯云服务器、容器服务、批量计算等服务搭配使用,为多个计算节点提供容量和性能可弹性扩展的高性能共享存储。腾讯云文件存储的管理界面简单、易使用,可实现对现有应用的无缝集成;按实际用量付费,为您节约成本,简化 IT 运维工作。
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档