如何运用OpenVINO打造一个私有的AI运算环境

OpenVINO强大之处在于整合了当前AI经常应用的情境，像是图片或是影像的对象辨识、语音识别、自然语言与数据推荐系统等等，而透过这个套件的Open Model Zoo可以导入现有多个常用框架的模型，像是Caffe、TensorFlow、MXNet、Kaldi与ONNX，无疑是个现成的参考数据库。

 

OpenVINO支持现有多个常用框架的模型（Source:Intel）

Intel OpenVINO 工具套件包含的项目实在太多，要做到基础入门我想非常快。但如果要真的上手到导入既有的商业项目中，我想还是需要花不少时间。学习Intel OpenVINO 工具集我想是非常值得去投资的，后续对于导入AI应用到升级与维护项目，会非常的容易。

以下的介绍将会以短篇的模式进行，我使用以下的环境去进行学习与测试：

1.硬件：

•Rock X Intel(R) Atom(TM) x5-Z8350 1.4GHz CPU. 4Gb RAM 与 128Gb 的SD卡环境

•EFI单板计算机，使用i7-1185G7E 2.8GHz 11代的Intel CPU, 16Gb RAM 与 128Gb SSD.

•2019年Mac book Pro 15吋 i7 2.6GHz CPU, 使用Parallels 设定两个ubuntu VM. 分别设定 2Cores与4 Cores的环境

2. O/S：分别使用ubuntu server20.04 与 ubuntu desktop 20.04 两个版本进行测试。

3. OpenVINO工具包版本： 2021.4

个人接触与学习使用OpenVINO，目地都在于如何将这个工具应用在未来公司的项目上，而选用Ubuntu Linux的操作系统，一方面是考虑Open Source 降低入门需要的投资成本，再者也是因为公司内部整体的建置维护环境。如果有需要以Windows操作系统为建置环境，可以再多参考官方的文件。

我自己个人打算在OpenVINO完成三大目标：

1.应用DL Workbench可以选用现有或是自制的模型，透过GUI接口，轻松完成模型的分析与部署工作。

2.使用Nodejs的语言去使用OpenVINO提供的各种资源进行开发。

3.将V7RC上的道路辨识功能，透过OpenVINO的环境，使用Nodejs语言去重现功能。

首部曲– 从DL Workbench开始谈起

在2018年我开始接触AI，是基于想在公司的产品V7RC中导入AI的元素，当时我希望可以透过遥控车上面的镜头传回到手机上，透过手机上的运算资源进行演算，辨识影像中的物体。最早透过同事的协助找到Framework，使用Python进行模型训练，最后产生出的结果去实际应用，效果很差，而且还不知道如何整合到iOS与Android的APP。

后来Google Cloud的AutoML 提供了一个模型训练很好的环境，训练好的模型可以直接使用Tensorflow Lite SDK整合到iOS与Android的APP中。这上面有个非常重要的关键在于一个好的GUI，让使用者很容易地上手，去进行模型训练，最后导出到自己的应用上。

后来像是Teachable Machine 也提供很好的GUI给使用者，对于入门的使用者来说，也的确够用，但截至目前，我们的工程师还无法将训练成果部署到APP上。

DL Workbench最棒的地方在于可以从多种不同常用的Framework选择自己要汇入的模型，或是汇入自己的模型，进行训练，并且可以选择使用哪个装置进行训练与分析。Dataset的管理也非常容易，很容易让人着迷，愿意多花点时间去尝试那些已经训练好的模型进行比较。

/如果要了解如何安装，可以参考之前的文章。/

而我想分享的是在实际安装过程中遇到的问题排解与疑问，以下使用自问自答方式来进行：

1.DL Workbench是个Application，所以需要Desktop执行吗？

答案是不需要。DL Workbench是一个Web Server，安装好了之后可以透过其他的计算机以访问网站的方式来操作，就跟AutoML或是Teachable Machine一样。多人操作应该也没有问题。我喜欢装在Ubuntu Server上，减少像是Desktop版本还要跑个X Window浪费效能。

2.安装DL Workbench需不需要在机器上面安装OpenVINO套件？

答案是不需要。原本我的理解是一个步骤一个步骤去安装OpenVINO所有的工具套件，Workbench放在最后面，当然就要先装好套件后才可以安装Workbench。但其实Workbench使用Docker Container安装，是不需要先下载与安装工具包。为了方便各位进行测试，我也提供我的安装方式作为参考：

Step 1. Docker执行环境安装：

确认与安装docker环境：如果不确定Docker的版本，可以重新参考官方文件，

https://docs.docker.com/engine/install/ubuntu/

以下是我安装流程：

A.移除旧版的docker套件：

~$ sudo apt-get remove docker docker-enginedocker.io containerd runc

B.安装docker需要使用到的套件：

~$ sudoapt-get update

~$ sudoapt-get install

                  apt-transport-https

                  ca-certificates

                  curl

                  gnupg

                  lsb-release

C.设定apt安装所需要的套件库与环境(以x86环境为例)：

~$ echo

         "deb [arch=amd64signed-by=/usr/share/keyrings/docker-archive-keyring.gpg]https://download.docker.com/linux/ubuntu  $(lsb_release -cs) stable" | sudo tee/etc/apt/sources.list.d/docker.list > /dev/nul

D.实际进行安装：

~$ sudoapt-get update

~$ sudoapt-get install docker-ce docker-ce-cli containerd.io

E.安装后，需要将ubuntu的用户加入docker的群组：

~$ sudo usermod -aG docker ${USER}

F.重新注销用户，再次登入，才会将新加入的docker群组生效。或是重新启动也可以。

Step 2. 安装GPU Driver：

建议可以再次安装Intel GPU的Driver，使用DFI 的单板计算机曾经遇到过无法正确安装GPU Driver，导致Workbench无法使用GPU，仅能使用CPU进行训练。安装方次可以参考以下的网址：

https://docs.openvinotoolkit.org/latest/openvino_docs_install_guides_installing_openvino_linux.html#additional-GPU-steps

https://dgpu-docs.intel.com/installation-guides/ubuntu/ubuntu-focal.html

参考安装流程如下：

A.安装必要的套件，并增加apt套件库的信息：

~$ sudoapt-get install -y gpg-agent wget                    

~$ wget-qO - https://repositories.intel.com/graphics/intel-graphics.key | sudo apt-keyadd -         

~$ sudoapt-add-repository

'deb[arch=amd64] https://repositories.intel.com/graphics/ubuntu focal main'

B.安装：

~$ sudoapt-get update

~$ sudoapt-get install

         intel-opencl-icd

         intel-level-zero-gpu level-zero

intel-media-va-driver-non-freelibmfx1

C.选择性安装开发工具包，如果要执行某些API，还是需要安装才会正常运作：

~$ sudoapt-get install

                  libigc-dev

                  intel-igc-cm

                  libigdfcl-dev

                   libigfxcmrt-dev

          level-zero-dev

D. 设定权限：

可以先检查用户是否在render的群组，使用以下命令来检查，列出目前这个用户所拥有的群组：

~$ groups ${USER}

如果这个用户有没有加入render与video的群组，使用以下方法加入：

~$ sudogpasswd -a ${USER} render                          

~$ sudogpasswd -a ${USER} video

~$newgrp render

~$newgrp video

Step 3. 安装DL Workbench DockerContainer：

有实际用过Docker Container的朋友应该知道，如果没有设定将数据储存在外部空间，只要每次重新开启Container，所有数据将会清空，还原成一开始的“干净”状态。因此除了安装之外，还要确保相关设定与项目都有储存到Server的储存装置上，而不是在Container里面。

参考官网的文件进行安装：

https://docs.openvinotoolkit.org/latest/workbench_docs_Workbench_DG_Persist_Database.html

A. 使用pip安装openvino-workbench套件，这不是下载与安装WorkbenchContainer，可以当作是方便启动的script，简化后面的流程：

~$ python3 -m pip install -Uopenvino-workbench

B.建立一个可以放设定与项目的目录，例如放在自己目录下的openvino-workbench目录：

~$ mkdir -m 777 ~/openvino-workbench

C.执行以下命令启动Workbench：

~$ openvino-workbench --imageopenvino/workbench:2021.4 --assets-directory ~/openvino-workbench --enable-gpu--container-name openvino-workbench

这个命令，我们将Container名称命名为 openvino-workbench，并且指定~/openvino-workbench作为项目与设定储存的目录，另外也启动GPU。如果发生错误，像是找不到/dev/rencer/*的目录等等，就是系统没有正确的设定GPU，可以尝试先吧–enable-gpu拿掉试试看。

完成后，就可以在本机打开Browser连结上这个网站，例如Workbench主机的IP是10.211.55.17，那么就在Browser上面键入：http:// 10.211.55.17:5665

3. DL Workbench最吸引我的地方在哪？

看到DL Workbench的接口上，Environment的右边有个Add Remote Target按钮。没错，可以将多台机器的资源统一在这个见面上管理，这样可以将项目切换到不同机器上进行训练与分析。

经过一番努力，测试成功了，真的可以将项目指派到其他机器上面去进行训练，但可惜的是只能在本机进行验证与测试，我想未来的版本应该会解决这个问题。

以下提供安装方式，以及参考网址。

https://docs.openvinotoolkit.org/latest/workbench_docs_Workbench_DG_Setup_Remote_Target.html

Step 1. 在远程主机进行设定，下载并且安装必要套件：

A.安装套件：

~$ sudoapt-get update

~$ sudoapt-get install -y --no-install-recommends

                  openssh-server

                  ssh

                  python3

                  ython3-distutils

                  python3-apt

                  python3-dev

                  python3-pip

                  gcc

                  libgtk-3-0

                  ffmpeg          

~$python3 -m pip install --upgrade pip

B. 更新python3-virtualenvwrapper套件。就个人的经验上我分别在Atom与VM的环境上尝试安装时，会遇到个套件出现问题，导致最后的安装无法完成，避免麻烦在一开始就先完成更新套件。以下是更新方式：

~$ sudo apt removepython3-virtualenvwrapper

~$ sudo apt autoremove

~$ sudo apt purge python3-virtualenv

~$ /usr/bin/python3 -m pip install--force-reinstall virtualenvwrapper

Step 2. 设定ssh远程登录，并取得privatekey

回到安装DL Workbench的机器上，我们需要可以使用ssh直接登入到远程主机的相关权限。设定的过程中我们将会设定一个private key, 这个档案将要使用在Workbench的设定上。以下是相关执行步骤(如果对于ssh非常熟悉的朋友，可以简化这个流程，直接取得ssh登入的private key)：

A. 使用ssh-keygen 产生ssh的Key：

~$ ssh-keygen

B.将刚刚产生的public key 复制到远程的主机，可以使用ssh-copy-id命令，使用方法是：

~$ ssh-copy-id louis@192.168.1.100  

# 请将louis改成远程可以登入账号，192.68.1.100改成远程的主机

过程中会需要填写登入的密码，请正确的进行填写。

C.验证是否正确，使用ssh登入远程主机，将不再需要填写密码，可以直接登入。

~$ ssh louis@192.168.1.100

如果可以正常登入，就表示完成这个步骤

Step 3. 确认远程主机的用户拥有根权限(SudoPrivileges)，不需要输入密码就可以执行sudo的命令。

A.首先简单的确认是否有sudo的权限以及是否不需要输入密码就可以执行sudo，执行以下指令：

~$ sudo ls -la /

B.如果可以顺利列出根目录下所有的档案与目录，表示这个用户已经拥有根权限，并且不需要密码就可以执行。如果显示没有sudo权限，则表示这个用户没有sudo使用权，请使用以下命令，将这个用户加入到sudo群组中：

~$ su

~$ usermod -a -G sudo USERNAME

~$ exit

C. 加入后，请注销再重新登入，并且再次使用sudols -la / 确认目前用户使用已经拥有sudo权限。

D. 如果用户已经拥有sudo权限，但需要填写密码，则使用visudo，将这个用户加入到/etc/sudoers.tmp档案中：

~$ sudo visudo

此时会开启编辑画面，并且显示档案内容，接着将光标移到档案的最后，加入以下权限：

louis ALL=(ALL) NOPASSWD: ALL  #请将louis改成这个账户的名称

接着存挡离开，再重新测试这个用户的sudo命令：

~$ sudo ls -la /

此时应该不需要密码就可以执行了。

*特别注意：使用 visudo 编辑并存挡，务必确认正确填写，否则有可能导致系统严重的问题发生。

Step 4：

进入 DL Workbench 设定目前准备进入到DL Workbench设定的步骤，在此之前，必须要先下载id_rsa的私钥到本机来，方便等一下再接口上需要上传这个档案。再次使用ssh登入到安装Workbench的主机上，可以使用vi或是其他编辑器，打开私钥档案，使用以下命令开启：

~$ vi ~/.ssh/id_rsa

将会看到以上的编辑画面，可以使用圈选复制，然后在本机新增加一个文本文件，然后贴上刚刚复制的内容，储存成一个文本文件，例如：id_rsa_192.168.0.1.key。

接着，在本机打开Browser，进入Workbench的网站，然后按下Create的按钮，产生一个新的项目：

在Create Project画面上，可以看到Environment的功能，有个Add Remote Target的按钮，按下后开始新增新的远程主机：

这时可以看到Target Machine的列表，第一个显示的就是Workbench内建预设的环境。按下『Add』按钮后，进行新增机器的画面：

在Add Remote Target窗体中，请填入以下信息：

•Hostname (远程主机IP)

•Port (远程主机ssh port, 除非有手动变更，预设都是22)

•Target Name(自己为这个远程命名)

•User (登入远程主机用的账号)

•Ssh key (就是一开始我们先存下来的私钥文本文件)

以上正确填写后，下方的Save Target将会从灰色变成深红色，按下后，就开始启动安装与设定程序了。

安装进行中的画面：

安装中，每个阶段都可以实时显示状态以及正在设定中的项目：

安装完成后，在Target Machines的列表中会清楚出现该设备，如果安装出现问题，也会出现错误信息。

安装中如果出现错误，也会出现在下方的信息中：

回到Create Project画面后，下方的Environment，就可以选择远程的主机来进行演算了。

实际简单的测试一下，可以看到远程主机上跑出来的结果，项目列表上可以看到第二列，使用我们刚刚新增的远程主机资源进行演算的结果：

4.目前有没有什么可以进一步厘清的地方？

截至目前无法正确的设定远程主机使用GPU或是VPU的资源，算是一种遗憾。我想后续应该是有机会可以解决，后续再做更新。

小结

如果各位希望打造一群工作的主机，可以进行选择模型、设定数据集、建立基准到分析与部署，Workbench正好提供了分布式Environment的安装方式，设定起来不难。后续在商业上思考可以如何客户运用OpenVINO打造一个私有的AI运算环境应该不是问题。　　

      审核编辑：彭静