全文字数625，预计阅读4min

1.扩展模块的介绍

OpenVINO诞生至今，其功能越来越强，模块也越来越多。为了保证发布版本的稳定性，Github上新增了openvino_contrib代码库用来开发扩展模块，功能稳定后再合并到OpenVINO库中。扩展模块中的每个模块都是解耦的，可以独立编译使用。主要包括三部分：arm_plugin、java_api、mo_pytorch。本文主要介绍 arm_plugin 模块的使用。arm_plugin使用 OpenVINO API 在 ARM CPU 上启用深度神经网络推理。该插件使用 ARM Compute Library 作为后端。

2.支持的平台

OpenVINO ARM CPU 插件在以下平台上受支持和验证：

3.编译构建

• 编译方法和使用环境：

github 文档提供了三种方法(文档链接见文章末尾Q&A)。我这里使用了第一种交叉编译的方式，在 ubuntu18.04 系统上 Build Dockerfile 来构建 OpenVINO、OpenCV 和 ARM CPU Plugin。

• 克隆 openvino_contrib 存储库

git clone --recurse-submodules --single-branch --branch=master https://github.com/openvinotoolkit/openvino_contrib.git

• 转到 ARM_Plugin 目录

cd openvino_contrib/modules/arm_plugin

• Build Docker Image

Build 过程由/armplg_build.sh在 armcpu_plugin 路径执行脚本，共有15步。

docker image build -t arm-plugin -f Dockerfile.RPi32 .

• Build the plugin in Docker container

所有的中间结果和 build artifacts 都保存在工作路径下， 因此，我们可以挂载整个工作目录以将所有结果存储在容器外部。

mkdir builddocker container run --rm -ti -v $PWD/build:/armcpu_plugin arm-plugin

完成后如图所示

查看目录包含哪些文件

• 上述操作耗时近2小时，生成的 build 文件2.4GB。我们可以只导出带有 artifacts 的归档文件OV_ARM_package.tar.gz,比较节约时间，只有108MB，即执行下面命令：

docker container run --rm -ti --tmpfs /armcpu_plugin:rw -v $PWD:/remote \                     arm-plugin sh -c "sh /armplg_build.sh && cp ./OV_ARM_package.tar.gz /remote"

4.运行加速

• 把编译生成的包OV_ARM_package.tar.gz拷贝到树莓派4B上 ，并解压。

• 我这里提前准备了优化好的IR文件,并拷贝到树莓派4B上，这样就可以直接在模型中加载。

vehicle-license-plate-detection-barrier-0106.xmlvehicle-license-plate-detection-barrier-0106.bin

• 转到推理引擎bin目录

cd /home/pi/deployment_tools/inference_engine/bin/armv7l

• 下载车辆图像

wget https://raw.githubusercontent.com/openvinotoolkit/openvino/master/scripts/demo/car_1.bmp

• 将 OpenCV 和 OpenVINO 库目录添加到 LD_LIBRARY_PATH

export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:~/opencv/lib/:~/deployment_tools/inference_engine/lib/armv7l/

• 在ARM平台上运行对象检测demo

./object_detection_sample_ssd -m ~/FP32/vehicle-license-plate-detection-barrier-0106.xml -i car_1.bmp -d CPU

• 查看使用ARM CPU加速推理后的输出图像

Q&A：