0 背景

在上一篇文章《深度学习之openvino预训练模型测试》，我们介绍了如何使用 intel 提供的预训练模型完成语义分割任务。但在用 public 预训练模型时，发现我的 openvino 版本较低不支持，因此，对我的 sdk 进行了升级，继续介绍如何使用预训练模型的方法。

升级安装方法参考《深度学习之win10安装配置openvino》 ，升级后的版本为 Version 2021.3。

1 模型介绍

这篇文章我们以  Optical Character Recognition Models / OCR 字符识别模型（车牌识别）模型为例，首先看看模型介绍

license-plate-recognition-barrier-0007 模型是一个较小规模的端到端的中文车牌识别模型，来识别道路中的中国车牌，示例如下（出于隐私保护目的，对车牌进行了裁剪处理）

模型参数如下

指标	值
平面内旋转（Rotation in-plane）	±10˚
平面外旋转（Rotation out-of-plane）	Yaw: ±45˚ / Pitch: ±45˚
最小宽度（Min plate width）	94 pixels
识别准确率（Ratio of correct reads）	98%
计算量（GFlops）	0.347
参数量（MParams）	1.435
训练框架（Source framework）	TensorFlow

注意，上述准确率指标只针对蓝牌，其它类型的车牌性能可能会差一些。

输入信息：

Image, name: data , shape: 1,3,24,94, format is 1,C,H,W where:

• C - channel
• H - height
• W - width

Channel order is BGR.

输出信息：

Encoded vector of floats, name: decode, shape: 1,88,1,1. Each float is an integer number encoding a character according to this dictionary:

    0 0
    1 1
    2 2
    3 3
    4 4
    5 5
    6 6
    7 7
    8 8
    9 9
    10 <Anhui>
    11 <Beijing>
    12 <Chongqing>
    13 <Fujian>
    14 <Gansu>
    15 <Guangdong>
    16 <Guangxi>
    17 <Guizhou>
    18 <Hainan>
    19 <Hebei>
    20 <Heilongjiang>
    21 <Henan>
    22 <HongKong>
    23 <Hubei>
    24 <Hunan>
    25 <InnerMongolia>
    26 <Jiangsu>
    27 <Jiangxi>
    28 <Jilin>
    29 <Liaoning>
    30 <Macau>
    31 <Ningxia>
    32 <Qinghai>
    33 <Shaanxi>
    34 <Shandong>
    35 <Shanghai>
    36 <Shanxi>
    37 <Sichuan>
    38 <Tianjin>
    39 <Tibet>
    40 <Xinjiang>
    41 <Yunnan>
    42 <Zhejiang>
    43 <police>
    44 A
    45 B
    46 C
    47 D
    48 E
    49 F
    50 G
    51 H
    52 I
    53 J
    54 K
    55 L
    56 M
    57 N
    58 O
    59 P
    60 Q
    61 R
    62 S
    63 T
    64 U
    65 V
    66 W
    67 X
    68 Y
    69 Z

2 模型转换

接下来我们下载该模型，方法和上一篇文章中提到的一样，这里不赘述，直接贴出下载过程

下载的模型是 tensorflow 格式的 ckpt 文件，我们需要做一个转换，满足 openvino 框架调用

转化方法是使用 downloader 路径下的 converter.py 文件，需要指定模型名称

运行指令 python .\converter.py --name license-plate-recognition-barrier-0007，转换成功显示如下，在对应的路径下生成 IR 模型，包含 xml 和 bin 文件

3 模型调用

同样的，在 sdk 里提供了模型调用的 demo，我们直接运行 build_demo_msvc.bat，可以一次性把所有的 demo 进行编译 

方法如下

对于车牌识别功能来说，用到的项目是 security_barrier_camera_demo，生成的可执行文件为  C:\Users\ZONGXP\Documents\Intel\OpenVINO\omz_demos_build\intel64\Release\security_barrier_camera_demo.exe

查看使用说明，需要指定输入文件、车辆和车牌检测模型（-m）、车牌识别模型（-m_lpr）

其中，车牌和车辆检测模型属于 Object Detection Models / 目标检测模型 中的 vehicle-license-plate-detection-barrier-0123，下载和转化方法同上边识别模型的方法类似，这里贴一下运行指令

下载转换好之后，运行执行脚本

结果如下，车牌识别结果有问题，还需要进一步排查

4 总结

本文对 openvino 调用 public 预训练模型的方法进行了介绍，与 intel 预训练模型相比，主要区别在于需要一次格式转换，目前支持的转化类型包括以下几种：

• Caffe,
• TensorFlow,
• MXNet,
• ONNX,
• Kaldi.

后续会进行更加深入的研究