OpenVINO模型优化实测：PC/NB当AI辨识引擎没问题！

之前我们谈到在Intel OpenVINO架构下，当需要进行AI运算时利用Intel GPU加速一样可获得不错的效能，并且使用YOLO v3进行测试。

这次我们将会自制一个CNN分类器，并透过OpenVINO的模型转换程序转换成IR模型，并进行模型效能与正确率分析。依据Intel官方网站的说明，OpenVINO可以针对不同模型进行优化，目前支持包括Tensorflow、Keras、Caffe、ONNX、PyTorch、mxnet等多种模型。

也就是说，当使用者透过其他框架训练完成的模型文件，例如Keras的model.h5檔，或者TensorFlow的model.pb档，只要经过转换就可以在OpenVINO中以最高效能来执行。

 

不过读者可能会比较在意的就是透过OpenVINO加速后，效能是能提升多少、正确率会不会发生变化？还有就是若我已经有一个训练好的Model，我要如何转换为OpenVINO可以读取的模型呢？

本文将分为两个部份来说明，第一个部份就是如何进行模型转换，第二部份则来评测转换前后的执行效能差异，除了模型比较之外，读者一定会想了解Intel OpenVINO GPU与NVIDIA CUDA的差异，这部份也在本文中进行比较，我相信会让读者大开眼界。

OpenVINO模型转换

以目前官方文件所述，OpenVINO架构执行效能最佳的为IR(Intermediate Representations) 格式模型，所谓的IR模型是「中间表达层」，IR模型包含一个bin及xml，bin包含实际权重的网络权重weight及误差bais数据，而xml则是记载网络结构。

后续当OpenVINO要加载模型时，只要读取这两个档案即可，虽然这样转换须多经过一道手续，但是却可大幅提高执行效能，在此我们介绍如何转换模型。

 

本次就以较常用的个案「玩猜拳」为例，利用卷积类神经CNN模型制作一个图形分类器，可以对「剪、石、布」以及「无」（代表使用者还没有出拳）的四种图形进行判断。模型采用[224x224x3]的图片格式，本文以Tensorflow为例演练转换过程，其他模型转换方式类似，读者可以参考本例作法进行转换测试。

 

无（N）

 

布（P）

 

石（P）

 

剪（S）

1. TensorFlow模型转换

一般来说以TensorFlow训练模型的话，那么我们可能会得到两种格式的档案，一种为使用Keras的h5档，另外一种则是TensorFlow的pb檔，h5档案可以透过python转换成pb档，因此本文仅介绍pb文件的模型转换。

另外为了后续测试能有一致的标准，本文的模型使用Google的Teachable Machine（简称TM）进行训练，这样可以让读者在与自己的计算机进行效能比较时，能有较公平的比较基准，若读者有自行训练的类神经模型，一样可以参考下面的方式进行转换。

关于TM的训练过程，请自行参考其他教程，本文仅针对最后的模型下载过程进行说明。也就是说，当TM已经训练好模型之后，就可以点选右上角的「Export Model」导出模型。

 

开启导出模型窗口后，点选：1.Tensorflow，然后点选单元格式为2.Savemodel，最后选3.Download my model。

 

此时下载的档案内容包含一个文本文件「labels.txt」及文件夹「model.savedmodel」，而在文件夹内则包含「saved_model.pb」及文件夹「assets」及「variables」，接下来我们就可以将此档案转换为IR格式。

 

下载的tensorflow pb档案。

下一步我们则可以利用OpenVINO内建的「model_optimizer」模块进行优化及模型转换，一般是在「/opt/intel/openvino_安装版本/deployment_tools/model_optimizer/」文件夹内，我们将会选用的转换程序为mo_tf.py，而语法如下

python3 mo_tf.py --saved_model_dir <<模型档案存放文件夹路径>>--output_dir <模型文件输出路径>> --input_shape <<输入层结构>>--data_type <<选用的数据格式>>

举例来说，假设我的pb模型文件存放在「Tensorflow/SaveModel」文件夹内，而要输出到「IR」文件夹，而第一层架构为[1,224,224,3]（此代表输入1张图，长宽为224×224，有RGB三色），选用FP32（默认值）为数据格式，此时语法为

python3 mo_tf.py --saved_model_dirTensorflow/SaveModel --output_dir IR --input_shape [1,224,224,3] --data_typeFP32

 

转换完成会出现的讯息。

 

转换完成的IR模型档案。

当转换完成的讯息出现后，就可以在IR文件夹中看到三个档案「saved_model.bin」、「saved_model.mapping」、「saved_model.xml」，这样就代表转换完成了。

若您原本是使用Keras的h5 model档案的话那该怎么办，先转成pb文件结构，再转换成IR即可，以下为h5转换pb的python语法。

import tensorflow as tf

model =tf.keras.models.load_model('saved_model.h5') #h5的档案路径

tf.saved_model.save(model,'modelSavePath')#'modelSavePath'为pb模型档案输出路径

将h5转换成pb档案后，就可以依照前述方式将再将pb转换成IR档案。除了TensorFlow之外，其他模型的转换方式，可以参考OpenVINO官方网页说明。

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

模型转换效率比较

当使用OpenVINO进行模型转换时，并非单纯转换而已，事实上OpenVINO在转换过程会对模型进行优化（算是偷吃步吗？哈哈），优化部份包括以下两种：

1.修剪：剪除训练过程中的网络架构，保留推理过程需要的网络，例如说剪除DropOut网络层就是这种一个例子。

2.融合：有些时候多步操作可以融合成一步，模型优化器检测到这种就会进行必要的融合。

如果要比较优化后的类神经网络差异，我们可以透过在线模型可视化工具，开启两个不同模型档案来查看前后的变化。下图为利用netron分别开启原始pb模型及转换后的IR模型的网络架构图，读者可以发现经过转换后的模型与原始TensorFlow模型有很大的差别，IR模型会将多个网络进行剪除及融合，减少网络层数提升运算效能。

https://netron.app/

以下图为例，左侧为IR模型，右侧为TF模型，两者比较后可以发现，原先使用的Dropout层已经在IR中被删除。

 

模型转后前后比较图左图为IR模型，右图为原始TensorFlow模型（由于模型都相当大，此处仅呈现差异的一小部份）

在OpenVINO转换工作结束后，就会告知优化前后所造成的差异，以本例而言，原本995个节点、1496个路径的类神经网络就被优化为729个节点、1230个路径，因此能提升运算效率。

 

解模型转换过程之后，接下来就是测试OpenVINO在执行上是否有效能上的优势。以下会有二个测试，测试项目包括效能及正确率，以了解OpenVINO是否能具有实用性，也就是说在获得效能的同时，是否能保有相同的正确性，让读者对于后续是否采购支持OpenVINO机器有比较的依据：

•在RQP-T37上测试IR模型及TensorFlow Keras h5模型效能比较

•OpenVINO iGPU及Colab的 GPU效能比较

1.在RQP-T37上测试IR模型及Tensorflow上的差异

本测试是同一台机器(RQP-T37)及环境(Ubuntu 20.04.2 LTS)之下进行，模型则采用Google TeachableMachine所制作的手势分类器（猜拳游戏：剪刀石头布），辨识对象为800张224x224x3的手势照片，模型采用FP32进行分析辨识总时间及正确率。

为了避免单次测试可能造成的误差，测试取100次的平均及标准偏差，并绘制盒型图(Box plot)，本测试并不使用其他测试常采用的fps(Frame per second)，而仅计算的是辨识(inference)总时间，不计算档案读取、数据转换过程所耗费的时间。因为本测试主要要了解模型转换后的差异，避免受到其他因素的影响因此不使用fps。

 

(a) IR模型代码段，显示仅计算推论时间。（评估标准为Inference总时间）

 

(b) TensorFlow模型程序片段，显示仅计算推论时间。（评估标准为Inference总时间）

在完成100次执行之后，我们先看原始TensorFlow模型的执行状况如下表，做完800张照片的手势推论，平均时间为38.941，换算辨识一张的时间约0.04秒，而标准偏差0.103，大致换算fps的上限约25，这样的结果算是中规中矩。

 

另一方面IR模型进行推论结果则呈现在下图，可以发现效能非常高，分析800张照片平均只要1.332秒，也就是一张224×224的照片仅需要0.00166秒，非常不可思议，换算fps上限约为602，若看标准偏差也只有0.008，代表耗费时间也相当稳定，并无太大起伏。

相对于原始的Tensorflow pb模型来说，效能大约提升了30倍，相当令人惊艳。

 

虽然效能提升如此之多，读者应该会觉得OpenVINO的Inference引擎可能会在「效能」与「正确性」之间进行trade off，是否在大幅提升效能后，却丧失了最重要的推论正确性？此时观察两次测试时的混淆矩阵可以发现，在TensorFlow模型时800次只有3次将布看成剪刀，正确率为797/800大约0.996。

而在IR模型时，800次辨识有9次将石头看成剪刀，所以其正确率为793/800=0.991，事实上两者相差无几，不过有趣的是两个模型所辨识错误的项目不太一样，值得后续再深入讨论。

笔者在此必须强调，OpenVINO架构的效能提升如此之多，个人认为主要在于模型优化(model_optimizer)的过程，虽然Intel CPU及GPU虽然有所帮助，但不可能把效能提升到30倍之多。

 

TensorFlow模型辨识混淆矩阵

 

IR模型辨识混淆矩阵

测试小结：

•经过优化的IR比TensorFlow模型效能上大幅提升，差异约30倍

•经过优化的IR与TensorFlow模型正确率几乎相当

2.比较OpenVINO iGPU及Colab的 GPU

本测试则是使用Colab上的GPU进行加速运算，Google Colab可以说是近几年来最受欢迎的程序开发平台了，尤其是提供免费的GPU加速，可以让使用者在AI运算上获得相当好的效能。因此本次也针对Colab平台进行测试，测试之前查询Colab所提供的GPU规格为Tesla T4。

 

而根据NVIDIA的规格表，T4具有2,560个CUDA核心，FP32的算力为8.1 TFLOPS。

 

NVIDIA T4规格

 

与前次测试相同，推论对象为800张224x224x3的图片，采用原始的TensorFlow pb模型，且确认有开启GPU加速。

经过100次分析后，获得上表可以得知，Colab的指令周期比本次测试用的计算机采用的Intel CPU时效能高，平均一次约28.52秒，相当于分类1张照片只花0.035秒，换算fps上限28.05，这个效能符合Colab 所提供的GPU规格。

读者可能会想到在Colab上的照片读取效能比Local端差多了，这样评估不公平，这里要注意的是，我们测试都仅加总推论时间，并没有计算档案读取的时间。此次测试比较后，OpenVINO效能还是明显较好。不过一样的，笔者认为效能提升是来自于OpenVINO的模型优化。

测试小结：

•同样在pb模型下，Colab采用的GPU加速后，效能大于Intel CPU

•IR模型在OpenVINO模型优化及加速后，效能超过NVIDIA CUDA

结论

本次文章主要让读者了解OpenVINO架构的效能与正确性的比较，另外也说明自制模型的转换过程。测试时虽硬件上有明显差距，以及并未使用TensorRT做模型优化，但本测试还是有一定的代表性，也就是说当读者拥有一台Intel计算机时，透过安装OpenVINO ToolKit来进行模型优化，一样可以获得性能相当好的AI辨识引擎，不一定要购买超高等级的显示适配器才能进行AI项目开发。

毕竟一般读者购买计算机一定有CPU，却不一定会购买独立GPU显示适配器，或者像是无法加装显示适配器的笔记本电脑，以往没有独立显卡的计算机以CPU进行AI推论时都会花费大量时间，系统无法实时反应，因此缺乏实用性。而本次测试则是证明在OpenVINO架构下，就可以透过模型优化程序及Intel GPU加速，进而在几乎不影响正确率的结果下得到非常好的效能，这个效能甚至超越 NVIDIA架构。

不过笔者必须提醒读者，目前OpenVINO只有提供Inferencing，尚不提供Training的功能，所以读者必须先透过其他方式进行训练获得模型后，才可以在OpenVINO中进行实地推论。虽然如此，无论是采用Intel的计算机，还是标榜低价的文书计算机，都可以快速进行AI运算，可以说是实做AI系统非常好的工具。

 

审核编辑 ：李倩