Movidius Compute Stick

1.链接

https://github.com/movidius/ncsdk

http://www.eeboard.com/evaluation/movisiudncsupdate/4/

2.SDK安装

git clone -b ncsdk2 https://github.com/movidius/ncsdk.git

make install

验证是否安装成功，运行hello world应用

cd examples/apps/hello_ncs_cpp/

make hello_ncs_cpp

make run

返回如下信息

Hello NCS! Device opened normally.
Goodbye NCS! Device closed normally.
NCS device working.

3.APP

cd ncsdk
git clone -b ncsdk2 https://github.com/movidius/ncappzoo.git

cd ncappzoo

make run

make run过程中可能会有一些应用下载失败，可以直接cd到具体的应用目录中make run

比如鸟的识别：

cd ncappzoo/apps/birds

make run

birds目录中有一个images目录，里面有下载的鸟的图片，也可以自己添加图片进去

运行python3 ./birds.py识别鸟

4.SDK

4.1 通用功能

1.用SDK提供的工具在开发电脑上分析、调整和编译一个DNN模型

2.在开发电脑上的用户原型应用，通过调用NCAPI接口访问神经棒，获得硬件加速推理能力

注：训练阶段不能用SDK

4.2 工具

4.2.1 mvNCCompile

将Caffe/TensorFlow的网络以及关联权重转换成Movidius的内部格式。

Caffe:

mvNCCompile deploy.prototxt -w bvlc_googlenet.caffemodel -s 12 -in input -on prob -is 224 224 -o GoogLeNet.graph

TensorFlow:

mvNCCompile inception-v1.meta -s 12 -in=input -on=InceptionV1/Logits/Predictions/Reshape_1 -is 224 224 -o InceptionV1. graph

4.2.2 mvNCProfile

提供层到层的参数数据，评价在神经棒上的Caffe/TensorFlow的网络性能

4.2.3 mvNCCheck

比较运行在神经棒上的网络和编译验证的推理结果

4.3 API

提供软件接口连接神经棒，加载编译后的网络文件，管理输入、输出，执行推理

5.神经棒工作步骤

使用预先训练好的TensorFlow/Caffe模型或在Ubuntu/Debian上使用Tensorflow/Caffe 训练网络。
使用NCS SDK工具链生成graph文件
将graph文件和NCS部署到运行Ubuntu的单板计算机上，我用Raspberry Pi 3 B运行Raspbian（基于Debian）
使用Python，通过NCS API将graph文件发送到NCS请求图像预测，处理预测结果并根据结果进行（任意）操作