OpenVINO™ 工具套件 - Open Model Zoo 仓库

[!注意] Open Model Zoo 目前作为模型来源处于维护模式。请参阅 Jupyter 笔记本 中的模型教程。

该仓库包含经过优化的深度学习模型和一系列演示程序，旨在加速高性能深度学习推理应用的开发。您可以使用这些免费的预训练模型，而无需自行训练模型，从而加快开发和生产部署流程。

英特尔致力于尊重人权并避免参与侵犯人权的行为，这一政策体现在 英特尔全球人权原则 中。因此，通过访问本平台上的英特尔材料，您即表示同意不会将这些材料用于可能导致或助长违反国际公认人权的产品或应用程序中。

仓库组成部分：

• 英特尔预训练模型
• 公开预训练模型
• 模型下载器 及其他自动化工具
• 展示如何使用 OpenVINO™ 工具套件运行模型的 演示程序
• 用于验证模型准确性的 准确性检查工具

许可证

Open Model Zoo 采用 Apache 许可证 2.0 版 许可。

遥测

OpenVINO™ 会收集软件性能和使用数据，以改进 OpenVINO™ 工具。这些数据由 OpenVINO™ 直接收集，或通过 Google Analytics 4 收集。 您可以通过运行以下命令随时选择退出：

opt_in_out --opt_out

在线文档

• OpenVINO™ 发行说明
• 预训练模型
• 演示和示例

其他使用示例

• 开放视觉云
  • 教程：在公有云上运行广告插入
  • 广告插入示例的 GitHub 仓库
• 面向智慧城市的 OpenVINO
• 驾驶员行为分析的 OpenVINO
• OpenVINO Python* 笔记本

如何贡献

我们欢迎社区为 Open Model Zoo 仓库做出贡献。如果您有任何改进产品的想法，请按照以下步骤与我们分享：

• 确保您能够构建产品，并使用您的补丁运行所有演示程序。
• 如果是较大的功能，请提供相应的演示。
• 在 https://github.com/openvinotoolkit/open_model_zoo/pulls 提交拉取请求。

有关模型贡献的更多信息，请参阅 这里。

我们将审核您的贡献，如果需要进行额外的修复或修改，可能会向您提供建议以指导您。一旦被接受，您的拉取请求将被合并到 GitHub* 仓库中。

Open Model Zoo 采用 Apache 许可证 2.0 版。通过为该项目做出贡献，您即表示同意其中的许可和版权条款，并在此许可下发布您的贡献。

支持

如有任何问题、错误或建议，请通过以下方式反馈：

• StackOverflow* 上的 #open_model_zoo 标签
• GitHub* 的问题页面 (https://github.com/openvinotoolkit/open_model_zoo/issues)
• 论坛 (https://community.intel.com/t5/Intel-Distribution-of-OpenVINO/bd-p/distribution-openvino-toolkit)
• Gitter (https://gitter.im/open_model_zoo/community)

---

* 其他名称和品牌可能属于其各自的所有者。

Open Model Zoo 快速上手指南

Open Model Zoo 是 OpenVINO™ 工具包的一部分，提供大量经过优化的预训练深度学习模型和演示程序，旨在加速高性能推理应用的开发与部署。

注意：Open Model Zoo 目前处于维护模式，主要作为模型来源。建议开发者参考 OpenVINO Notebooks 中的 Jupyter 教程获取最新的使用示例。

环境准备

在开始之前，请确保您的开发环境满足以下要求：

• 操作系统：
  • Linux (Ubuntu 18.04/20.04/22.04, CentOS 7/8)
  • Windows 10/11
  • macOS (部分支持)
• 前置依赖：
  • OpenVINO™ Toolkit：必须已安装 OpenVINO 运行时或开发套件（推荐版本 2023.0 及以上）。
  • Python：建议 Python 3.8 - 3.11。
  • CMake：用于构建演示程序（如需编译 C++ 演示）。
  • Git：用于克隆仓库。
  • pip：用于安装 Python 依赖。

国内加速建议： 由于仓库托管在 GitHub，国内用户克隆时若速度较慢，可使用 Gitee 镜像（如有）或配置 Git 代理。安装 Python 依赖时，建议指定国内 pip 源（如清华源、阿里源）以加速下载。

安装步骤

1. 克隆仓库

将 Open Model Zoo 代码克隆到本地：

git clone https://github.com/openvinotoolkit/open_model_zoo.git
cd open_model_zoo

2. 安装模型下载工具依赖

进入工具目录并安装必要的 Python 包：

cd tools/model_tools
pip install -r requirements.in
# 国内用户推荐使用清华源加速：
# pip install -r requirements.in -i https://pypi.tuna.tsinghua.edu.cn/simple

3. 验证环境

确保 omz_downloader 命令可用（需将 OpenVINO 环境变量加载到当前终端）：

• Linux:

  source /opt/intel/openvino_2023/bin/setupvars.sh
  # 或者如果您安装在其他路径，请调整上述路径
  

• Windows (PowerShell):

  & "C:\Program Files (x86)\Intel\openvino_2023\bin\setupvars.ps1"
  

基本使用

Open Model Zoo 的核心功能是快速下载预训练模型并运行演示。以下是两个最常用的场景。

场景一：下载模型

使用 omz_downloader 工具从云端下载模型。以下示例下载一个常用的人脸检测模型 face-detection-adas-0001。

omz_downloader --name face-detection-adas-0001

• 下载后的模型默认保存在 intel-models 目录中。
• 您可以使用 --list 参数查看所有可用模型名称。

场景二：运行演示程序

下载模型后，可以使用提供的演示程序验证模型效果。以下示例使用人脸检测模型进行图像推理。

1. 构建演示程序（以 C++ 演示为例，需先安装 CMake 和编译器）：

   cd demos
   mkdir build && cd build
   cmake ..
   make
   

2. 运行演示： 假设您已下载模型并有一张测试图片 test.jpg：

   ./object_detection_demo_ssd_async \
     -m ../../intel-models/intel/face-detection-adas-0001/FP32/face-detection-adas-0001.xml \
     -i test.jpg \
     -d CPU
   

   • -m: 指定模型路径 (.xml 文件)。
   • -i: 指定输入图片或视频路径。
   • -d: 指定推理设备（如 CPU, GPU, MYRIAD 等）。

提示：对于 Python 开发者，更推荐直接使用 OpenVINO Notebooks 中的示例代码，通过几行 Python 代码即可加载模型并进行推理，无需编译 C++ 演示。