标签：OpenVINO 回归 网络 神经网络 新视角 化整为零 模型
OpenVINO 作为 Intel 开源的推断框架，在多种设备上都有着较为优秀的表现，尤其是在边缘设备上可谓是独领风骚。
边缘设备的推出，大幅降低了中台服务器的压力，使得整个系统的性能和稳定性都有了较大的提升。
原本可能一台服务器要对上百路的视频进行复杂的图像处理，现在只需进行简单的逻辑分析，是不是有点军事中的“化整为零”的意味？这篇文章就来讲讲一些神经网络中化整为零思想。
从基本思想出发目前的神经网络其实就两码事:①回归；②分类。
在工业上，当我们使用深度学习对两个物体测距的时候，会使用目标检测算法寻找这两个物体，然后计算二者之间的距离，这么做貌似合理，但又感觉有些许欠妥。后来笔者一拍大腿，这距离我用算法不就能直接回归出来的嘛，用什么目标检测网络。网上一找，发现大家对于神经网络在回归上的应用都很少，甚至于不知道回归还能这么搞，特有此文。
但凡测量，不光是距离，还有角度，以及坐标点，都是可以用回归思想做出来的，譬如寻找细小的钉子；譬如计算指针的旋转角度；譬如测量细长钉子的长度。另外，由于回归网络任务比较单一，所以其网络可以设计得很小，并且精度远高于复杂的目标检测网络。所以，学会巧妙地运用回归网络，让你的 OpenVINO 边缘设备跑十几个网络完全不是梦。
下面是一个运用回归网络来做测量+位置的简单 demo
GitHub 地址 ：
https://github.com/dgl547437235/LogicRegression/tree/main
主要分为如下几步骤：
①生成数据集;
②准备模型;
③训练;
④使用 OpenVINO 进行部署。
下面是详情要点:
①生成数据集，执行如下脚本会在当前目录下生成img 文件夹，其中是1000张随机生成线条的图片，并且讲线条的长度和坐标点记录在 train.txt 。
②构建一个模型，见 Model.py，其中的骨架网络参考了 MobileNetV2 设计，如下图：
③开始训练执行如下脚本。
在进行逻辑回归的时候，通常使用 SmoothL1Loss 或者 MSELoss，训练时，每隔5个批次进行一次模型保存，最后得到 net.pt 和net.onnx两个模型，前者可以随时进行后续地训练，后者可以扔给 OpenVINO 进行推断。
④测试。
在这里我们来看下 OpenVINO 下的部署方式，从代码中可以看到，从开始到结尾总共才25行代码，这种便捷性是其他几种框架很难比拟的，足够地精简以及强壮。同时，我们看下测试的图片，对于线段两端点位置的回归以及长度的回归都是很准的，说明我们的神经网络很好地完成了回归任务。
标签：OpenVINO,回归,网络,神经网络,新视角,化整为零,模型 来源： https://blog.csdn.net/gc5r8w07u/article/details/117260203
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。