英特爾? Distribution of OpenVINO? 工具套件用于快速開發(fā)應(yīng)用程序和解決方案，以解決各種任務(wù)（例如：模擬人類視覺、自動語音識別、自然語言處理和推薦系統(tǒng)等）。該工具套件基于最新一代的人工神經(jīng)網(wǎng)絡(luò)，包括卷積神經(jīng)網(wǎng)絡(luò) (CNN)、遞歸網(wǎng)絡(luò)和基于注意力的網(wǎng)絡(luò)，可擴展跨英特爾? 硬件的計算機視覺和非視覺工作負載，從而最大限度地提高性能。它通過從邊緣到云部署的高性能、人工智能和深度學(xué)習(xí)推理來為應(yīng)用程序加速。

英特爾? Distribution of OpenVINO? 工具套件

• 支持從邊緣到云的深度學(xué)習(xí)推理。

• 借助英特爾? CPU、英特爾? 集成顯卡、英特爾? Gaussian & Neural Accelerator、英特爾? 神經(jīng)電腦棒 2、搭載英特爾? Movidius? 視覺處理器的英特爾? Vision Accelerator Design 的通用 API，支持跨英特爾加速器的異構(gòu)執(zhí)行。

• 通過一套易用的計算機視覺功能庫和預(yù)優(yōu)化內(nèi)核庫來加速上市時間。

• 包括針對 CV 標準進行的調(diào)用優(yōu)化，包括 OpenCV* 和 OpenCL?。

第 2 版發(fā)布中的更新和更改

要點綜述

• 將深度學(xué)習(xí)工作臺與英特爾? DevCloud for the Edge 集成以構(gòu)成 Beta 版本。使用英特爾? DevCloud for the Edge 上的深度學(xué)習(xí)工作臺（而不是僅本地計算機）以圖形方式分析模型，從而針對多個遠程硬件配置進行解決方案的比較、可視化和微調(diào)。

• 推出對 Red Hat Enterprise Linux (RHEL) 8.2 的支持。有關(guān)更多信息，請參閱系統(tǒng)要求。 運行時包可供下載。

• 在模型優(yōu)化器中為通過 TensorFlow 量化感知訓(xùn)練進行了量化的模型推出每通道量化支持（包括權(quán)重的每通道量化），通過模型壓縮和延遲減少提高了性能。

• 預(yù)訓(xùn)練模型和對公共模型的支持，以簡化開發(fā)：

• 公共模型：Yolov4（用于對象檢測）、AISpeech（用于語音識別）和 DeepLabv3（用于語義分割）

• 預(yù)訓(xùn)練模型：人體姿勢估計（更新）、公式識別多項式手寫體（新增）、機器翻譯（更新）、通用手語識別（新增）和文本語音轉(zhuǎn)換（新增）

• 全新的 OpenVINO? 安全插件，通過安全封裝和執(zhí)行來控制對模型的訪問。這款全新插件基于 KVM 虛擬機和 Docker* 容器，與 OpenVINO? 模型服務(wù)器兼容，可進行封裝以實現(xiàn)靈活部署和受控的模型訪問。

• PyPI 項目從 openvino-python 遷移到 openvino，2021.1 版將從默認視圖中移除。通過使用 openvino-python==2021.1，依賴于該特定版本的用戶將仍然可以使用該版本。

模型優(yōu)化器

常見的變更

• 更新了對 NumPy 組件的要求，以避免與 TensorFlow 1.x 產(chǎn)生兼容性問題。

• 借助 Eltwise 和 CTCGreedyDecoder 運算，改進了模型的重塑能力

ONNX*

• 已支持使用“ --output”命令行參數(shù)指定模型輸出張量名稱的功能。

• 增加了對以下操作的支持：

• Acosh

• Asinh

• Atanh

• DepthToSpace-11、13

• DequantizeLinear-10（zero_point 必須為常數(shù)）

• HardSigmoid-1,6

• QuantizeLinear-10（zero_point 必須為常數(shù)）

• RedueL1-11、13

• RedueL2-11、13

• Resize-11, 13（除了mode="nearest"（5D+輸入），mode="tf_crop_and_resize"，以及屬性 exclude_outside 和 exclude_outside 使用非零值）。

• ScatterND-11、13

• SpaceToDepth-11、13

TensorFlow*

• 增加了在調(diào)整圖像大小之前應(yīng)用平均/刻度值時，對使用預(yù)處理塊的 TensorFlow Object Detection API 模型的支持。此前僅支持在調(diào)整大小之后應(yīng)用平均/標度值的情況。

• 將采用 FakeQuantize 方法的限值調(diào)整與 TensorFlow 方法保持一致

• 增加了對以下操作的支持：

• GatherND

• Round

• NonMaxSuppression

• LogSoftmax

• FakeQuantWithMinMaxVarsPerChannel

MXNet*

• 增加了對以下操作的支持：

• GatherND

• Round

Kaldi*

• 增加了對以下操作的支持：

• TdnnCompontent

推理引擎

常見變更

• 移除了 inference_engine_legacy 上的依賴項。自 2021.2 版起，客戶的應(yīng)用程序不直接鏈接 inference_engine_legacy。inference_engine_legacy 直接通過插件鏈接。 

• 增加了對具有外部數(shù)據(jù)文件的 ONNX 模型讀取的支持。要讀取這些模型，僅需要將 core.ReadNetwork() 方法傳入到 ONNX 模型中，外部數(shù)據(jù)文件將會自動找到并加載。

• 對于 ONNX 讀取器，檢測受支持模型的邏輯有所改進。

• ONNX 依賴項已更新為 v1.7.0

• 增加了對 ONNX 函數(shù)的支持（運算符列表底部 https://github.com/onnx/onnx/blob/v1.7.0/docs/Operators.md）

• 改進了有關(guān)在 ONNX 載入器中注冊自定義運算的文檔和示例

• setBatchSize 方法現(xiàn)已遷移到重塑方法邏輯中，以更新模型的輸入形狀。此外，它還應(yīng)用了對模型中的某些不可重塑模式進行松弛的智能重塑轉(zhuǎn)換?，F(xiàn)在可以對同一模型使用 setBatchSize 和重塑方法，不會導(dǎo)致先前版本中的未定義行為。

• 在 Windows 平臺上，推理引擎庫在文件屬性中擁有新的“詳細信息”部分。該部分包含有關(guān)動態(tài)鏈接庫 (DLL) 的信息，包括庫的描述和版本。

廢棄 API

• ExecutableNetwork::QueryState 方法被 InferRequest::QueryState 方法取代，舊方法被廢棄。

• IVariableState::GetLastState 方法更名為 IVariableState::GetState，舊名稱被廢棄

• IMemoryState 更名為 IVariableState，舊名稱仍可使用，但不推薦

CPU 插件

• 增加了對新運算的支持：

• Loop-5

• Round-5

• NonMaxSuppression-3, NonMaxSuppression-5

• HSigmoid-5

• LogSoftmax-5

• GatherND-5

為 CTCLoss、Pad、Permute 和 Elementwise 運算實施了多項優(yōu)化。這些優(yōu)化改進了客戶模型上的 CPU 性能，大幅提高了 Open Model Zoo 范圍內(nèi)的整體性能幾何平均值。

增加了對動態(tài)輸入的 I64/U64 數(shù)據(jù)類型的支持（通過到 I32 的內(nèi)部轉(zhuǎn)換）。

改進了狀態(tài) API，現(xiàn)在可以用于具有多個并行推理請求的應(yīng)用程序：

• 修復(fù)了 IVariableState::GetName() 方法的 MKLDNN 插件實施，現(xiàn)在返回變量 ID

• 在 MKLDNN 插件中增加了對 IVariableState::GetState 的支持

GPU 插件

• 支持英特爾銳炬? Xe MAX 顯卡（原代號為 DG1） 

• 增加了對以下操作的支持：

• HSigmoid-5

• Round-5

• LogSoftMax-5

• 通過非對稱量化改進了 int8 卷積的性能

• 增加了插件側(cè)的編譯內(nèi)核緩存機制，可使用它代替驅(qū)動程序中的 cl_cache。

MYRIAD 插件

• 增加了針對新操作的支持：

• HSwish

• GatherND

• 插補

• Ceil

• 為 Broadcast 運算增加了“雙向”模式。

• 為 Proposal 運算增加了第二個可選輸出。

• 改善了現(xiàn)有操作的性能：

• Mish

• Swish

NonMaxSuppression

HDDL 插件

• 與 MYRIAD 插件中相同的新操作和優(yōu)化。

• 為 ION 驅(qū)動程序啟用了對 Linux 內(nèi)核 5.4 的支持。

GNA 插件

• 模型導(dǎo)出現(xiàn)在可保存層名稱，因此可以在導(dǎo)入之后再次使用。

• 修復(fù)了某些層組合。

nGraph

• 推出了 opset5。全新 opset 包含以下全新操作。并非所有 OpenVINO? 工具套件插件都支持這些操作。

• BatchNormInference-5

• GRUSequence-5

• RNNSequence-5

• LSTMSequence-5

• Loop-5

• Round-5

• NonMaxSuppression-5

• HSigmoid-5

• LogSoftmax-5

• 實施了公共 nGraph 轉(zhuǎn)換：

• 低延遲
  轉(zhuǎn)換展開了 TensorIterator 節(jié)點，以在低延遲下對其進行逐步推理，每次推理運算中均存儲狀態(tài)。 轉(zhuǎn)換將迭代次數(shù)更改為 1，并使用 ReadValue 和 Assign 運算代替后向邊（例如，RNN 狀態(tài)輸入和輸出）。 可對 CPU 和 GNA 插件進行該轉(zhuǎn)換。

• 公共 nGraph API 變更：

• 推出 Sink 類以方便識別屬于圖形中的“Sinks”（未被任何其他節(jié)點使用的節(jié)點）的運算。通過“添加/移除 Sinks”的方法擴展了 nGraph Function API。目前，只有 Assign 節(jié)點繼承自 Sync 類，Result 節(jié)點是單獨存儲的特殊節(jié)點，并不是 Sinks。

• 在與英特爾? Distribution of OpenVINO? 工具套件集成之前持續(xù)清理 nGraph 原始代碼庫，可移除該工具套件不支持的傳統(tǒng)運算。

神經(jīng)網(wǎng)絡(luò)壓縮框架 (NNCF)

• 對于單級對象檢測的情況，將 NNCF 與 OTE/mmdetection 集成。

• 發(fā)布了面向 PyTorch 的 NNCF v1.5：

• 切換了默認情況下設(shè)置的量化器基于傳播的模式（與硬件配置更好集成）。

• 對 HAWQ 混合精度量化算法實施了改進：壓縮比參數(shù)支持、激活量化器位寬選擇、更通用的損失計算方法。

• 通過視覺處理器硬件配置為 EltWise 提供統(tǒng)一標度支持。

• 啟用了 GPT2 壓縮，在受支持的模型列表中增加了修剪后的 googlenet-v1。

• 有關(guān)功能的詳細信息和完整列表，請參閱 NNCF 發(fā)布說明。

訓(xùn)練后優(yōu)化工具

• 在 POT 配置中引入了模型預(yù)設(shè)，特別是 Transformer 模型的預(yù)設(shè)，使 POT 用戶可以更輕松地量化這些模型。

• 改進了 POT 文檔，包括量化示例。增加了《常見問題解答》文檔。 

• 擴大了模型覆蓋范圍：額外啟用了45 個模型。

深度學(xué)習(xí)工作臺

• 發(fā)行版：深度學(xué)習(xí)工作臺現(xiàn)在可在英特爾? DevCloud for the Edge 中使用

• 增加了對用于風(fēng)格遷移、超級分辨率和圖像修復(fù)用例的 GAN 模型的支持 

• 增加了以 CSV 格式導(dǎo)出分析實驗結(jié)果的功能

OpenCV*

• 將版本更新至 4.5.1。

• 在 VideoCapture API 的 Media SDK (MFX) 后端增加了對寬度/高度屬性的支持。

• G-API：為推理和流 API 增加了更多 CV 運算和Python 綁定，并為媒體格式支持引入了 MediaFrame 數(shù)據(jù)類型（例如 NV12）。

示例

• 語音樣本命令行參數(shù)中的輸入層（用于輸入數(shù)據(jù)文件）和輸出層（用于輸出和參考文件）順序現(xiàn)在可以使用新的命令行參數(shù)（-iname 和 -oname）明確指定。

Open Model Zoo

使用額外的 CNN 預(yù)訓(xùn)練模型和預(yù)生成的中間表示 (.xml + .bin) 擴展了 Open Model Zoo：

• bert-large-whole-word-masking-squad-fp32-0001 renamed to bert-large-uncased-whole-word-masking-squad-0001

• bert-small-uncased-whole-word-masking-squad-int8-0002

• bert-small-uncased-whole-word-masking-squad-emb-int8-0001

• formula-recognition-polynomials-handwritten-0001-decoder

• formula-recognition-polynomials-handwritten-0001-encoder

• handwritten-simplified-chinese-recognition-0001

• human-pose-estimation-0002

• human-pose-estimation-0003

• human-pose-estimation-0004

• person-detection-0003

• text-spotting-0003-detector

• text-spotting-0003-recognizer-decoder

• text-spotting-0003-recognizer-encoder

• 替換了 2021.1 模型：

• 已添加新模型：

• 最終模型：

對以下模型的支持擴展了公有模型列表：

用著色模型的 PyTorch 變體來取代該模型的舊的 Caffe 變體。

• 增加了新的演示應(yīng)用：

• Python gesture_recognition_demo（代替 asl_recognition_demo）

• Python human_pose_estimation_demo（支持新的 human-pose-estimation-0002/3/4 模型）

• Python image_translation_demo

• Python text to speech demo

• Python object_detection_demo（代替 object_detection_demo_centernet、object_detection_demo_faceboxes、object_detection_demo_retinaface、object_detection_demo_ssd_async 和 object_detection_demo_yolov3_async）

• C++ object_detection_demo（替換 object_detection_demo_ssd_async 和 object_detection_demo_yolov3_async）

• 移除了已廢棄的 object_detection_demo_faster_rcnn。

• Open Model Zoo 工具：

• 通過支持自定義預(yù)轉(zhuǎn)化腳本擴展了 Model Converter，簡化了非凍結(jié)模型圖的轉(zhuǎn)化。

• 通過覆蓋新的任務(wù)（基于圖像的定位、顯著圖檢測、光流估計、DNA 測序），擴展了 Accuracy Checker。

• 增加了在 Accuracy Checker 中設(shè)置輸入精度和獲取中間指標結(jié)果的命令行選項。

• 改進了在 Accuracy Checker 中對 GAN 模型的處理，擴展了后處理，增加了新的指標（Inception Score 和 Frechet Inception Distance）。

• 需要使用 Tensorflow 2.3 轉(zhuǎn)換 efficientdet-d0/d1 模型。

深度學(xué)習(xí)流媒體播放器

• 直接支持 ONNX 模型：DL Streamer gvadetect、gvaclassify 和 gvainference 元素現(xiàn)在將支持 CPU 上的 OpenVINO? 推理引擎支持的 ONNX 模型，無需轉(zhuǎn)換為中間表示 (IR) 格式。

• 基于全幀和 ROI 的推理：對于連續(xù)檢測和全幀分類等用例，在 gvadetect、gvaclassify 和 gvainference 元素中增加的新屬性 'inference-region' 將使開發(fā)人員能夠在全幀或 ROI（感興趣區(qū)域）上運行推理。

• 無圖像對象跟蹤：在 gvatrack 中引入兩個新算法 'short-term imageless' 和 'zero-term imageless'，將能在不訪問圖像數(shù)據(jù)的情況下跟蹤對象。 

• Docker 文件更新：使用 DL Streamer GitHub 中的 Docker 文件創(chuàng)建的文件夾結(jié)構(gòu)與 OpenVINO? 在 DockerHub* 上發(fā)布的 Docker 映像一致。無論選擇哪種發(fā)行方式（OpenVINO Installer、OpenVINO Docker 映像、DL Streamer Docker 文件、從源構(gòu)建），開發(fā)人員現(xiàn)在都可以按照相同的說明和準則使用 DL Streamer。

有關(guān) DL Streamer 的更多信息，請參閱位于 GitHub 上的 DL Streamer 開源項目存儲庫“openVINO? 工具套件 - DL Streamer”中的 DL Streamer 教程、API 參考和樣本。還可訪問“DL Streamer 樣本”查看樣本文檔。

OpenVINO? 模型服務(wù)器

• 有向無環(huán)圖 (DAG) 調(diào)度程序 -（以前為 `models ensemble`）該功能首次在 2021.1 版中以預(yù)覽版的形式提供?，F(xiàn)在它已得到官方支持，從而使定義由響應(yīng)單個預(yù)測請求的多個互聯(lián)模型組成的推理管道成為可能。在該版本中，我們增加了對其余 API 調(diào)用（預(yù)覽版中的 DAG 不支持）的支持，特別是 `GetModelStatus` 和 `GetModelMetadata`。`GetModelStatus` 返回整個管道的狀態(tài)，而 GetModelMetadata 返回管道輸入和輸出參數(shù)。新的 2021.2 版改進了 DAG 配置驗證。

• 直接導(dǎo)入 ONNX 模型 - 現(xiàn)在可以導(dǎo)入 ONNX 模型，無需轉(zhuǎn)換為中間表示 (IR) 格式。這有助于利用 ONNX 模型和 PyTorch 訓(xùn)練框架簡化部署。

• 自定義加載器以及與 OpenVINO? 安全插件的集成 - 現(xiàn)在可以定義自定義庫，用于處理模型加載操作 - 包括與模型解密和許可證驗證有關(guān)的額外步驟。要了解有關(guān)模型保護的信息，請查看安全插件組件的文檔。

• 流量加密 - 新的部署配置通過 mTLS 證書進行客戶端授權(quán)，通過與 Docker 容器中的 NGINX 反向代理集成進行流量加密。 

• 從云存儲進行遠程模型緩存 - 進行需要重新加載模型的配置變更后，不再多次下載存儲在 Google Cloud Storage (GCS)、Amazon S3 和 Azure blob 中的模型。在模型重新加載操作期間，將使用緩存的模型。更改服務(wù)的模型時，將僅在模型存儲中添加相應(yīng)的新版本文件夾。

OpenVINO? 安全插件

該安全插件是一組工具，讓模型開發(fā)人員能夠使用 OpenVINO? 模型服務(wù)器控制開發(fā)后對模型的訪問，并檢查在受控環(huán)境中運行期間對模型的訪問。它由定義模型訪問控制的一組開發(fā)工具、在將模型加載到模型服務(wù)器之前檢查模型許可證的許可服務(wù)、位于 OpenVINO? 模型服務(wù)器內(nèi)的可在其中執(zhí)行訪問受控模型的隔離環(huán)境組成。

 安全插件的關(guān)鍵功能

• 定義開發(fā)后對模型的訪問控制。

• 生成限制模型使用天數(shù)的客戶特定許可證。

• 在將模型加載到 OpenVINO? 模型服務(wù)器之前檢查許可證的有效性。

• 使用 OpenVINO? 模型服務(wù)器，通過 KVM 虛擬機在隔離環(huán)境中執(zhí)行模型。

• 通過 NGINX 控制應(yīng)用程序?qū)δＰ偷脑L問