基于Win在VSCode部署运行OpenVINO模型

一、准备工作

1、Python

下载Win平台的Python安装包,添加环境变量,测试:

bash 复制代码
python --version

在VSCode里( Ctrl+Shift+P 打开命令面板),指定Python解释器为上面安装路径。写一个python脚本运行测试。

2、虚拟环境

在 Windows 系统下使用 Python 虚拟环境(Virtual Environment)可以有效隔离不同项目的依赖,避免版本冲突。

在项目文件夹中新建虚拟环境venv,随后会在当前目录生成venv文件夹:

bash 复制代码
python -m venv venv

激活虚拟环境:

bash 复制代码
.\venv\Scripts\activate

后续的代码流程均是在venv虚拟环境中运行。

可以通过Ctrl+Shift+P,选择python解释器,选择虚拟环境venv。

3、添加国内镜像源

设置全局镜像源(清华源):

bash 复制代码
pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple
pip config set global.trusted-host pypi.tuna.tsinghua.edu.cn

4、安装pytorch环境

在官网选择对应版本的安装命令:Get Started

例如在win上通过cpu运行模型,安装对应的pytorch版本命令为:

pip3 install torch torchvision torchaudio

验证安装成功:

bash 复制代码
python -c "import torch; print(torch.__version__)"

二、部署OpenVINO

1、安装OpenVINO核心库

bash 复制代码
pip install openvino

# 如果需使用 Open Model Zoo 的预训练模型,还需安装额外工具:
pip install openvino-dev[onnx]  # 支持ONNX模型

pip install "openvino-dev[extras]"  # OpenVINO 完整工具包

2、官方教程 快速部署一个示例

GitHub - openvinotoolkit/openvino:OpenVINO™ 是一个用于优化和部署 AI 推理的开源工具包

基于pytorch进行部署,可以运行成功。

对于给定的示例,可以看到会先自动下载模型保存到本地,然后调用运行。

3、手动实现图像分类

使用预训练的resnet18模型,进行图像分类。

python 复制代码
import openvino as ov
import torch
import torchvision
from PIL import Image
import numpy as np

# 加载PyTorch模型
# model = torch.hub.load("pytorch/vision", "resnet18", weights="DEFAULT")
model = torchvision.models.resnet18(weights="IMAGENET1K_V1")
model.eval()  # 设置为测试模式

# 转换为OpenVINO模型
example = torch.randn(1, 3, 224, 224)
ov_model = ov.convert_model(model, example_input=(example,))

# 编译模型
core = ov.Core()
compiled_model = core.compile_model(ov_model, 'CPU')

# 图像预处理
preprocess = torchvision.transforms.Compose([
    torchvision.transforms.Lambda(lambda x: x.convert("RGB")),  # 强制转换为RGB
    torchvision.transforms.Resize(256),
    torchvision.transforms.CenterCrop(224),
    torchvision.transforms.ToTensor(),
    torchvision.transforms.Normalize(
        mean=[0.485, 0.456, 0.406],
        std=[0.229, 0.224, 0.225]
    )
])

# 加载本地图片
image_path = "pic.jpg"  # 修改本地图片路径
image = Image.open(image_path)

# 预处理并转换为模型输入格式
input_tensor = preprocess(image).unsqueeze(0)  # 添加batch维度
input_numpy = input_tensor.numpy()

# 执行推理
output = compiled_model([input_numpy])[0]  # 注意输入格式可能因版本不同需要调整

# 解析推理结果
probabilities = torch.nn.functional.softmax(torch.tensor(output), dim=1)
top5_prob, top5_catid = torch.topk(probabilities, 5)

# 加载类别标签(需要下载ImageNet 1000分类标签)
with open("imagenet_classes.txt") as f:  # 确保该文件存在
    categories = [line.strip() for line in f.readlines()]


# 输出预测的前5个结果和概率
print("\nTop 5 predictions:")
for i in range(top5_prob.size(1)):
    print(f"{categories[top5_catid[0][i]]}: {top5_prob[0][i].item()*100:.2f}%")

ImageNet的类别标签:imagenet_classes.txt

https://raw.githubusercontent.com/pytorch/hub/master/imagenet_classes.txt

相关推荐
Allen_LVyingbo33 分钟前
数智读书笔记系列035《未来医疗:医疗4.0引领第四次医疗产业变革》
人工智能·经验分享·笔记·健康医疗
zzc92138 分钟前
时频图数据集更正程序,去除坐标轴白边及调整对应的标签值
人工智能·深度学习·数据集·标签·时频图·更正·白边
isNotNullX40 分钟前
什么是数据分析?常见方法全解析
大数据·数据库·数据仓库·人工智能·数据分析
riveting1 小时前
明远智睿H618:开启多场景智慧生活新时代
人工智能·嵌入式硬件·智能硬件·lga封装·3506
夜阑卧听风吹雨,铁马冰河入梦来1 小时前
Spring AI 阿里巴巴学习
人工智能·学习·spring
c7691 小时前
【文献笔记】Automatic Chain of Thought Prompting in Large Language Models
人工智能·笔记·语言模型·论文笔记
Blossom.1182 小时前
机器学习在智能供应链中的应用:需求预测与物流优化
人工智能·深度学习·神经网络·机器学习·计算机视觉·机器人·语音识别
Gyoku Mint2 小时前
深度学习×第4卷:Pytorch实战——她第一次用张量去拟合你的轨迹
人工智能·pytorch·python·深度学习·神经网络·算法·聚类
zzywxc7872 小时前
AI大模型的技术演进、流程重构、行业影响三个维度的系统性分析
人工智能·重构
点控云2 小时前
智能私域运营中枢:从客户视角看 SCRM 的体验革新与价值重构
大数据·人工智能·科技·重构·外呼系统·呼叫中心