OpenVINO 2021版这个安装配置我前后在几台不同机器上反复折腾过说实话它不是装上就能跑的傻瓜工具真正麻烦的往往不是安装本身而是后面的环境变量、版本配对和模型转换。这篇我专门聊OpenVINO 2021版的安装与开发配置面向已经会用OpenCV做图像处理、想在实际项目里进一步提升推理速度的朋友也顺带把C和Python两条路都走一遍。这套工具解决的核心问题很明确把训练好的模型转换成一种叫IR的中间表示再用它自己的推理引擎跑起来比直接用OpenCV默认后端更快、更省资源尤其适合边缘设备、工业检测、实时识别这类场景。2021版虽然已经算老版本了但现在大量存量代码、课程和自研项目还是这个API风格搞清楚它的配置逻辑回头看2022之后的新版也只是换了一层皮。1. 为什么在OpenCV进阶路上要碰OpenVINO1.1 它解决的真实问题用OpenCV的dnn模块读模型、跑推理会把Caffe、TensorFlow、ONNX这些格式都加载进来但默认后端在CPU上的执行效率其实一般。遇到一个大一点的检测模型帧率上不去机器风扇狂转这时候就得考虑换一个更高效的推理后端。OpenVINO做的事情可以分成两步理解第一步是离线的模型优化把网络里可以合并的层合并、可以折叠的计算折掉、甚至把权重从FP32压到FP16或INT8第二步是推理时的运行时调度针对CPU指令集做针对性加速。我举个直观的例子同样跑MobileNet SSD在某个中型处理器上OpenCV dnn纯CPU推理可能要去到80到120毫秒而转成IR之后用OpenVINO跑通常能压到30到60毫秒具体数值跟硬件和输入尺寸有关系但这个量级的差距是普遍感受得到的。这种差距有点像普通搬家公司和你自己提前打包装箱再叫车的区别。前者什么都给你搬但路线和装车顺序是现场随意发挥的后者提前把所有东西分类、固定、排好顺序到了现场直接装车自然快。1.2 2021版在整套工具链里的位置为什么要单独讲2021版因为OpenVINO在2022.1之后换了一套新的Runtime API新代码都用openvino/runtime.hpp或者openvino.Core而2021版还是传统的inference_engine.hpp、IECore这一套。很多老项目、老教程、老设备出厂自带的环境都是2021版的接口风格。我现在接触到的工业场景里还有不少维护中的项目跑在2021.4这个版本上。你如果只学最新的API看到老代码里那些IENetwork、ExecutableNetwork会很懵反过来把2021版这套逻辑吃透了再切到新版的大多数概念都是平移的只换了名字。所以这个版本不是过时没价值而是承上启下的一个关键节点。2021版还保持了插件式架构CPU、核显GPU、神经计算棒Myriad、HDDL加速卡都能通过同一套API调用只是加载设备名不同。这个设计后来也被继承了。2. 安装前的准备工作版本适配比安装本身更重要2.1 系统与Python版本约束安装最容易翻车的不是命令敲错而是系统版本和Python版本没对上。我的建议是装之前先对着下面这张表确认一遍不要拿着新环境硬配老版本。项目官方验证的组合我自己实测的结果Windows系统Windows 10 64位 / Server 2016Win10 LTSC、Win11都能装但路径别带中文Linux系统Ubuntu 18.04 / 20.04 64位Debian、CentOS要自己解决部分依赖能用但费劲Python版本3.6、3.7、3.83.9能导入但部分补丁要自己处理建议还是3.8Python位数必须64位32位Python直接放弃IE动态库全是64位的Python版本这块我特别强调一下2021版自带的Model Optimizer脚本依赖比较老用3.8踩的坑最少。你要是机器上已经有3.9甚至3.10别急着重装系统装一个独立的3.8虚拟环境就行。2.2 三种安装方式选型官网给的方式看起来多实际归纳下来就是三条路。先把这三条路的差别列出来然后你根据自己的项目类型去选不要一上来就埋头下载。方式包含内容适合场景缺点离线安装包推理引擎、Model Optimizer、样例、自带OpenCV要做模型转换、要跑C、要跑官方Demo包比较大安装后要手动配置环境变量pip安装推理引擎Python API部分版本带模型转换工具纯Python推理、快速验证不自带C库和样例依赖系统环境变量Docker镜像完整工具链不想污染宿主机设备透传麻烦核显、神经计算棒接入要额外配置大多数情况下我都推荐离线安装包。原因很简单它自带的那套OpenCV是专门编译过、带OpenVINO后端的。你自己在系统里单独装的OpenCV可能默认没有IE后端后面跑readNetFromModelOptimizer时会直接报函数未定义这个坑我在第四节还会展开。2.3 提前确认硬件能力OpenVINO不是所有CPU都能发挥出性能它要求CPU至少支持AVX2指令集。稍微老一点、只有AVX的CPU虽然也能跑但明显吃力。查看指令集的方法很简单Windows下装个CPU-ZLinux下执行lscpu | grep avx看一眼输出里有没有avx2字样。GPU方面OpenVINO调用的是核显而不是NVIDIA独显这一点很多从CUDA过来的人会搞混。它走OpenCL路径调用核显的计算单元所以如果你的机器没有核显或者驱动版本太老用GPU插件大概率会报错。神经计算棒这类设备也要先插好USB再在代码里指定MYRIAD设备名。3. OpenVINO 2021安装完整实操两种路径都走一遍3.1 路径一离线安装包一步到位Windows下从官方页面下载2021.4版本的exe安装包下载完双击它会让你选一个解压目录。这里我特别提醒一句目录一定不要有中文名和空格C:\Program Files (x86)\Intel\openvino_2021.4.582这种官方默认路径是可以的但你自己改成带中文的路径后面C编译和Python导入各种奇怪的路径报错会接踵而来。Linux下更直接下载得到的是一个tgz压缩包解压到固定目录sudo mkdir -p /opt/intel sudo tar -xzf l_openvino_toolkit_p_2021.4.582.tgz -C /opt/intel解压完可以看到目录结构大概是这样的openvino_2021.4.582/ ├── bin/ │ └── setupvars.bat / setupvars.sh ├── deployment_tools/ │ ├── inference_engine/ │ ├── model_optimizer/ │ ├── open_model_zoo/ │ └── opencv/ ├── licenses/ └── uninstall/这个结构要记一下后面配环境变量时你会反复用到deployment_tools/inference_engine/lib/intel64/Release和deployment_tools/opencv/bin这两条路径。3.2 路径二pip安装runtime轻量够用如果你只是想在笔记本上快速验证一下Python推理不想下载几个G的安装包可以用pip直接装pip install numpy pip install openvino2021.4.2装完之后立刻验证一下能不能导入python -c from openvino.inference_engine import IECore; print(IECore().available_devices)如果能打印出类似[CPU]的列表说明Python API装好了。但不要高兴太早pip装的包默认不带setupvars相关脚本动态库路径不一定完整后面如果遇到DLL load failed的错误还是要回到离线安装包那套方案。3.3 setupvars配置与环境变量持久化OpenVINO装完不等于能用它还需要把一堆DLL和so库路径告诉系统官方提供了一个统一的脚本干这件事。Windows下在CMD里执行cd C:\Program Files (x86)\Intel\openvino_2021 bin\setupvars.batLinux下在终端里执行source /opt/intel/openvino_2021/bin/setupvars.sh这个脚本做的事情并不复杂主要是设置INTEL_OPENVINO_DIR环境变量然后把推理引擎库目录、OpenCV库目录追加进PATH。我每次配置完都要在同一窗口验证一下echo %INTEL_OPENVINO_DIR%如果输出为空说明setupvars没生效多半是目录路径写错了或者脚本中的判断没命中。只对当前窗口生效是不够的因为你不能每次开IDE、开终端都手动执行一遍。Windows下推荐把INTEL_OPENVINO_DIR设为系统变量并把以下两个路径手动追加到系统Path里%INTEL_OPENVINO_DIR%\deployment_tools\inference_engine\lib\intel64\Release %INTEL_OPENVINO_DIR%\deployment_tools\opencv\bin\x64\vc16\binLinux用户直接把source /opt/intel/openvino_2021/bin/setupvars.sh写进~/.bashrc末尾就行。提示修改系统环境变量后已经打开的终端、命令行窗口都不会自动刷新要重新开一个或者至少执行一遍refreshenv。3.4 验证安装是否成功环境变量配好后最靠谱的验证方式是跑一下官方样例。2021版本地自带了一套SqueezeNet的Python示例路径在deployment_tools\open_model_zoo\demos\python_demos\classification_sample_async按官方说明跑一次如果能把一张图片分类出来并打印Top5结果恭喜你整套链路已经通了。这一步一定要做完整不要只停在import成功。因为import成功只说明Python找得到包真正能调用C动态库、能把模型加载进CPU才是推理链路通了的标志。我自己习惯的快速验证是用一段最小Python代码from openvino.inference_engine import IECore ie IECore() print(ie.available_devices)执行这段代码如果报ImportError: DLL load failed先别怀疑安装包回到环境变量检查。4. 开发环境配置OpenCV和OpenVINO一起工作4.1 OpenCV DNN后端切换配置OpenCV从4.2左右开始就预留了OpenVINO作为DNN模块的推理后端。也就是说你不一定非要用OpenVINO自己的API也可以继续用OpenCV的cv2.dnn.Net这个熟悉的接口只是把后端从默认的OpenCV实现切到OpenVINO。import cv2 net cv2.dnn.readNetFromModelOptimizer(model.xml, model.bin) net.setPreferableBackend(cv2.dnn.DNN_BACKEND_INFERENCE_ENGINE) net.setPreferableTarget(cv2.dnn.DNN_TARGET_CPU)这里有个大坑readNetFromModelOptimizer这个函数只有OpenCV编译时带了IE后端才会被编译进去。官方离线包自带的OpenCV肯定有但你自己通过pip install opencv-python装的版本绝大多数不带这个函数调用时直接报AttributeError。所以如果坚持用pip装OpenCV就得接受用不了这个函数只能走4.2的原生IE API。我这里把这几种URL后端target列出来方便对号入座OpenCV常量对应OpenVINO设备说明DNN_TARGET_CPUCPU最稳所有机器都支持DNN_TARGET_OPENCLGPUIntel核显驱动要正常DNN_TARGET_MYRIADMYRIAD神经计算棒DNN_TARGET_HDDLHDDL专用加速卡4.2 Python IE API最小推理工程如果不想依赖OpenCV的DNN封装直接用OpenVINO的Python API是最清晰的。下面是一段可以直接参照的最小推理代码from openvino.inference_engine import IECore import numpy as np ie IECore() net ie.read_network(modelresnet18.xml, weightsresnet18.bin) exec_net ie.load_network(networknet, device_nameCPU) input_name next(iter(net.input_info)) output_name next(iter(net.outputs)) print(finput: {input_name}, shape: {net.input_info[input_name].tensor_desc.dims}) print(foutput: {output_name}, shape: {net.outputs[output_name].shape})在喂数据之前有三个细节特别容易错第一步输入blob的顺序。模型转成IR之后默认是NCHW也就是[批次, 通道, 高, 宽]。你用OpenCV读出来的图是HWC必须做一次img.transpose((2, 0, 1))。第二步数据要连续内存。np.ascontiguousarray包一下否则infer时底层要额外拷贝慢不说搞不好还会报奇怪的shape错误。第三步预处理要和训练时一致。模型在训练时如果用了ImageNet的均值方差归一化推理端也得用同样的参数否则输出的置信度会乱掉。完整推理preprocessed img.astype(np.float32) / 255.0 preprocessed preprocessed.transpose((2, 0, 1)) preprocessed np.ascontiguousarray(preprocessed[None, ...]) result exec_net.infer(inputs{input_name: preprocessed}) print(result[output_name])4.3 C工程怎么配C工程配置稍微麻烦一点主要就是告诉编译器头文件在哪、链接库文件在哪。用CMake的话把cmake路径指过去就行set(OpenVINO_DIR C:/Program Files (x86)/Intel/openvino_2021/deployment_tools/inference_engine/cmake) find_package(InferenceEngine REQUIRED) add_executable(demo demo.cpp) target_link_libraries(demo PRIVATE ${InferenceEngine_LIBRARIES}) target_include_directories(demo PRIVATE ${InferenceEngine_INCLUDE_DIRS})如果你不用CMake用Visual Studio手动配就一定要搞清楚include和lib这两个目录include目录: deployment_tools\inference_engine\include lib目录: deployment_tools\inference_engine\lib\intel64\Release 链接库名: inference_engine.libC里加载模型的核心代码只有几行但足够展示整套链路#include inference_engine.hpp using namespace InferenceEngine; int main() { Core ie; auto network ie.ReadNetwork(resnet18.xml); auto executable ie.LoadNetwork(network, CPU); return 0; }这里有个非常经典的坑Release版本的SDK库在Debug模式下点编译会冒出一堆LNK错误。复盘下来往往不是代码问题而是配置Debug项目却链接了Release目录下的库。要么把链接目录换成Debug版本要么直接在Release配置里编译别硬着头皮Debug对齐Release。5. 模型转换实战从pb/onnx到IR5.1 模型优化器工作原理准备好开发环境之后下一步就是把你手里的模型转成IR格式。机械学习框架训练出来的模型像TensorFlow的pb、ONNX的导出模型直接给OpenVINO跑效率是不行的。Model Optimizer就是mo.py会先解析原始模型把图结构读进来做一层层融合和抽象最后输出两个文件.xml是网络结构.bin是权重数据。IR v10格式是2021版默认的输出格式它用统一的描述方式屏蔽了底层不同框架的差异。转换过程还会尝试把能合并的算子合并掉比如把BatchNorm和前面的卷积融合成一个算子这样推理时的算子数量少了调度开销也就少了。5.2 常见框架转换命令转换前先装依赖。Model Optimizer早期版本是所有框架依赖一起装2021版按框架拆开了cd deployment_tools/model_optimizer pip install -r requirements_tf.txt pip install -r requirements_onnx.txtTensorFlow frozen模型转IRpython mo.py \ --input_model frozen_graph.pb \ --input_shape [1,3,224,224] \ --reverse_input_channels \ --data_type FP16 \ --output_dir irONNX模型转IRpython mo.py \ --input_model model.onnx \ --input_shape [1,3,224,224] \ --output_dir ir几个常用参数的含义结合实际经验说明一下参数作用什么时候用--input_shape固定输入尺寸原始模型支持动态shape但你推理时尺寸固定--data_type FP16权重压缩到半精度对CPU性能有提升对精度影响很小--reverse_input_channels把输入从RGB转成BGR训练时用RGBOpenCV读图默认BGR时会用到--mean_values指定输入的均值和训练预处理一致时才加--scale_values指定输入的缩放系数除以255的场景--output_dir指定输出目录避免生成物混在原始模型目录里5.3 转换后的验证转换完先不要急着写推理代码看一眼输出目录确认生成了.xml和.bin两个文件。然后在终端里用官方自带的benchmark工具快速摸一下性能底数cd deployment_tools/inference_engine/bin/intel64/Release benchmark_app.exe -m ir/model.xml -d CPU -niter 10这个工具会打印出平均推理耗时、吞吐量这些关键数字比你自己写计时器靠谱。转换过程中最常见的失败是碰到自定义算子。比如你在网络里写了一些不常见的层Model Optimizer不认识就报Unknown operation。2021版处理办法是写一个自定义层的扩展把该算子的输入输出关系告诉它或者干脆在转换参数里--input把这段子图掐掉改用预处理后处理补齐。6. 常见问题与排查技巧实录6.1 环境变量与DLL加载问题我见过的学生和同事在OpenVINO上卡的第一个问题几乎都是DLL load failed。这个问题的排查思路很固定先确认你报错的进程是64位再确认setupvars是否在当前窗口真正执行过最后用where openvino.dllWindows或lddLinux看系统到底能不能找到动态库。现象排查点处理方法ImportError: DLL load failed环境变量没生效重新开终端执行setupvars验证INTEL_OPENVINO_DIRC程序启动报找不到openvino.dllPATH里缺lib目录手动把Release目录追加到系统Path运行时提示Cannot load library动态库依赖VC运行时安装对应版本的“运行库合集”6.2 预处理不一致导致结果乱推理能跑但输出结果全是乱的比如分类置信度五个类别都是零点几这是典型的预处理没对齐。去对比模型训练时的做法ImageNet那边是不是先resize到256再中心裁剪224你这个推理侧是不是直接resize到224那边用不用mean和scale你这边数字对不对。这类问题不会报错但会浪费你好几个小时因此我的习惯是转换模型之前先把预处理写下来转成一个函数训练和推理共用一个。6.3 性能瓶颈排查OpenVINO第一次跑一个模型往往会比较慢因为要把模型编译成机器码这是推理前的固定开支不代表最终性能。所以测试性能要用-niter这种多轮循环不要只跑一帧就下结论。如果多轮跑下来还是慢先检查CPU有没有吃满。可以用ie.set_config通过CPU_THREADS_NUM配置线程数。小机器上默认线程数不一定最优调到物理核心数附近往往能挤出百分之十几的性能。还有一个容易被忽略的点是预处理耗时。很多人把resize、归一化都写在推理函数里测出来慢得离谱一拆开看大把时间花在预处理上而不是推理本身。把这个环节单独测试一下你会发现真实结论完全不同。6.4 版本迁移期间的经典坑2022.1之后OpenVINO换了新的API网上搜到的教程如果用到from openvino import Core这种写法那是2022版不是2021版。你如果把2022版的教程代码抄到2021版环境跑第一行import就会崩。反过来也一样老API中存在ie.read_network新版本已经改名成core.read_model。我个人的经验是项目决定用2021版就尽量看2021版官方文档和配套示例不要新旧混抄。等哪天项目要升级迁移的重点反而不是推理代码而是模型转换命令里的一些参数变化。这套配置流程走完后你手里应该有一套能用的环境模型能转代码能跑性能心里有数。我后面再做类似项目一般不会折腾新环境了而是先把这部分配置整理成一个模板脚本省得每次从零开始。最后分享一个我个人的小技巧把环境变量配置、依赖安装、模型转换命令都写进一个setup脚本提交到项目仓库里。这样不管换机器还是带新人一条命令拉起来少走弯路。项目跑久了你会发现真正值钱的不是那几行推理代码而是这套能复现的环境流程。
