在整个系统端到端的网元里面，不同的网元所提供的计算量不同，支撑的操作系统不同，适合的芯片架构也不同。比如一个摄像机功耗大概15W，提供给智能运算的能量2－3W，选用ASIC架构最合适；数据中心对灵活度要求较高，适合采用通用的处理器。而不同的芯片往往有不同的开发方法，也就是说当工程师针对某一种芯片所开发的软件换一个架构就可能无法使用，这无形中就增加了开发难度。为了帮助客户更好地进行视频处理，英特尔面向中国市场推出了专注于加速深度学习并将视觉数据转换为业务洞察的OpenVINO工具包，这将充分帮助企业在边缘侧快速实现高性能计算机视觉与深度学习的开发，为智能视觉开辟了一条坚实的创新路径。
陈伟博士介绍，“OpenVINO工具包包括英特尔深度学习部署工具包，具有模型优化器和推理引擎，以及面向OpenCV＊和OpenVx＊的优化计算机视觉库。模型优化可以把开发者基于一些开放的深度学习的框架所开发的网络模型，针对开发者所选用的目标..进行优化，把这些优化的结果转换成一个中间表示文件，建成IR文件。下一步，推理引擎会去读取IR文件，然后利用相应的硬件插件把这些IR文件下载到相应目标..上进行执行，所以这是当前的部署工具套件能够解决的问题。OpenVINO工具包可通过基于英特尔架构的处理器（CPU）及核显（Integrated GPU）和深度学习加速器（FPGA、Movidius VPU）的深度学习加速芯片，增强视觉系统功能和性能。”
在计算机视觉领域，业界有两类方法被广泛的使用。一类是深度学习，另一类是传统的计算机视觉的方法。深度学习在做物体检测、目标识别方面具有优势，在替代传统的计算机视觉。另外一些应用的场景，计算机视觉仍然有自己的用武之地，比如一些光流的计算或者图像的增强，利用均衡的方式去做图像的增强，传统计算机视觉仍然是适用的，这是因为深度学习的基础是卷积神经网络，卷积神经网络对于目标检测和目标识别比较有效，但是对于图像增强并不十分适用。陈伟博士强调，“在OpenVINO里面，我们对这两类方法都有很好的支持，OpenVINO包含一个深度学习的部署工具套件，可以帮助开发者把已经训练好的网络模型部署到目标..之上进行推理操作，因此，OpenVINO是帮助大家做推理的，而不是帮助大家做训练的。”
来源：与非网
