在世界各地，當(dāng)你走進(jìn)博物館，看到巨大的恐龍標(biāo)本展示，你有沒有想過古生物學(xué)家是如何發(fā)現(xiàn)它們的？

有趣的是，我們的一位好朋友兼同事，英特爾的技術(shù)布道師 Bob Chesebrough，在閑暇時間和他的兒子們一起出去尋找尚未被發(fā)現(xiàn)的恐龍化石。他向我們展示了如何做到這一點(diǎn)，以及我們?nèi)绾问褂?AI 和 OpenVINO 來明顯簡化這一過程。

Bob 向我們解釋說，古生物學(xué)家和考古學(xué)家必須首先找到這些地點(diǎn)，其地質(zhì)歷史不僅揭示了化石的創(chuàng)造過程，而且還表明了發(fā)現(xiàn)化石的機(jī)會。傳統(tǒng)上，這是通過掃描航拍圖像來發(fā)現(xiàn)特定的地形紋理，或巖層的顏色和方向，然后構(gòu)建像這樣的“可能性地圖”來完成（如圖1所示）。

圖1. 恐龍化石可能性地圖示例

你可以在圖片中看到可能發(fā)現(xiàn)恐龍化石的所有位置。你可以想象的是，即使是由專家親自完成，繪制這樣一張地圖也需要花費(fèi)大量的時間和精力。但是，由于 Bob 已經(jīng)了解了 AI 的力量，他想知道是否可以開發(fā)一種能夠自動創(chuàng)建這些地圖的 AI 模型。他做到了！

在他的最初嘗試中，他發(fā)現(xiàn) AI 軟件運(yùn)行良好，但在野外創(chuàng)建地圖花費(fèi)了太長時間，而當(dāng)你在野外并依賴筆記本電腦電池時，這是一個問題。然后，他想知道如果他使用無人機(jī)拍攝高分辨率航拍照片是否會有所幫助，但不幸的是，這也行不通，因?yàn)檫@仍然需要他回家上傳這些照片。

因此，他與我們（Raymond Lo 和武卓博士）以及英特爾的其他 AI 布道師一起提出了一個解決方案，使他能夠在幾分鐘內(nèi)（通常這需要幾個小時）從任意組合的視頻中創(chuàng)建這樣的可能性地圖。

我們很高興向你展示我們做了什么以及如何使用OpenVINO，但在我們繼續(xù)之前，請注意，雖然狩獵恐龍化石聽起來是一種有趣和令人興奮的愛好，但在美國和大多數(shù)其它地方，恐龍化石的實(shí)際采集受到嚴(yán)格監(jiān)管，如果不是完全禁止的話。因此，如果你親自嘗試，而且你確實(shí)發(fā)現(xiàn)了化石的話，我們強(qiáng)烈建議你拍照并向當(dāng)?shù)赜嘘P(guān)部門報告你的這一發(fā)現(xiàn)。

狩獵開始了！

現(xiàn)在讓我們開始吧！首先，我們將解釋尋找恐龍化石的不同階段，然后我們將深入了解具體的步驟是怎么做的。

具體的創(chuàng)建可能性地圖的步驟可以參考這里：

https://www.intel.com/content/www/us/en/developer/articles/technical/intel-ai-step-by-step-guide-for-hunting-dinosaurs.html#gs.cg9z4m

（如圖2所示），包括：

圖2. 創(chuàng)建恐龍化石可能性地圖的一般步驟

第一階段和第二階段：收集數(shù)據(jù)并對其進(jìn)行分類，包括獲取已知恐龍骨床（示例中為新墨西哥州）化石的實(shí)際發(fā)現(xiàn)的 GPS 坐標(biāo)，并根據(jù)它們之間的接近程度對它們進(jìn)行聚類。我們使用 Intel機(jī)器學(xué)習(xí)庫 Scikit learn 做到了這一點(diǎn)。

第三階段：標(biāo)記數(shù)據(jù)。我們將聚類的結(jié)果和 Intel Deep Neural Network Library 應(yīng)用于標(biāo)記為“無化石”、“極有可能找到化石”或“可能找到化石”的相同位置的航拍圖像，并將這些圖像合并起來，得到該區(qū)域的化石可能性地圖。

第四階段和第五階段：訓(xùn)練數(shù)據(jù)并通過將標(biāo)記的航拍圖像轉(zhuǎn)換為張量來構(gòu)建模型，每個張量都具有與概率分?jǐn)?shù)或置信水平相對應(yīng)的類名（例如，0表示“絕對沒有化石”，1表示“有可能找到化石”，2表示“發(fā)現(xiàn)化石”），以使用 PyTorch 構(gòu)建殘差神經(jīng)網(wǎng)絡(luò)（ResNet）。

第六階段：最后，評分階段，通過使用前面步驟中準(zhǔn)備的模型，利用 OpenVINO推理引擎分析航拍照片，創(chuàng)建其它地方的化石可能性地圖！

放“碼”過來！

實(shí)現(xiàn)上述過程的代碼由一系列 Jupyter Notebook 提供：

https://github.com/IntelSoftware/Jurassic/blob/main/09_Dino_bone_find_OpenVINO.ipynb

這里，我們描述了最重要的部分，如圖3所示，將 PyTorch 模型轉(zhuǎn)換為 OpenVINO中間表示（IR）格式并分析圖像。

圖3. PyTorch 模型轉(zhuǎn)換為 OpenVINO IR 格式

加載OpenVINO推理引擎只需要一條指令：

from openvino.runtime import Core

向右滑動查看完整代碼

加載所有必要的庫后，Notebook 定義了先前以 PyTorch 格式訓(xùn)練得到的化石尋找模型的路徑，并定義了兩個新模型的位置，以創(chuàng)建一個以 ONNX 格式，另一個以 OpenVINOIR 格式的模型，原因我們稍后將解釋。

DIRECTORY_NAME = “models”


BASE_MODEL_NAME = DIRECTORY_NAME + f”/bc_resnet18_simple_NOIPEX_6Epochs_StateDict_gold”


# Paths where PyTorch, ONNX and OpenVINO IR models will be stored
model_path = Path(BASE_MODEL_NAME).with_suffix(“.pt”)
onnx_path = model_path.with_suffix(“.onnx”)
ir_path = model_path.with_suffix(“.xml”)

向右滑動查看完整代碼

生成 ONNX 模型后，再使用 OpenVINO模型優(yōu)化器（MO）構(gòu)建命令，將其轉(zhuǎn)換為 FP16 精度的OpenVINOIR 格式：

# Construct the command for Model Optimizer
mo_command = f”””mo
   --input_model “{onnx_path}”
   --input_shape “[1,3, {IMAGE_HEIGHT}, {IMAGE_WIDTH}]”
   --data_type FP16
   --output_dir “{model_path.parent}”
   “””
   
mo_command = “ “.join(mo_command.split())

向右滑動查看完整代碼

在使用 ONNX 模型對測試圖像運(yùn)行推理（此處未顯示）后，在同一圖像上重復(fù)該過程，但使用 OpenVINO IR 格式模型，因?yàn)樵?OpenVINO推理引擎上執(zhí)行兩個模型顯示了如何在 CPU 或 GPU 設(shè)備上可互換地運(yùn)行模型推理。

# Load the network in Inference Engine
core = Core()
model_ir = core.read_model(model=ir_path)
compiled_model_ir = core.compile_model(model=model_ir, device_name=”CPU”)


# Get input and output layers
output_layer_ir = compiled_model_ir.output(0)


# Run inference on the input image
res_ir = compiled_model_ir([x_test2])[output_layer_ir]

向右滑動查看完整代碼

上面的前幾行代碼加載OpenVINO推理引擎，將OpenVINOIR 模型傳遞給它，然后提取其輸入和輸出層。最后一行代碼是在先前使用 ONNX 模型分析的同一圖像（“x_test2”）上實(shí)際運(yùn)行推理引擎的代碼。

接下來，程序打印出模型推理的結(jié)果；即該圖像所屬的類（0、1或2），然后繼續(xù)使用 PyTorch 模型重復(fù)該過程。

代碼的最后部分做了兩件事：

1）它運(yùn)行 OpenVINO和 PyTorch 模型，對幾百張圖像進(jìn)行分類，并對所使用的三種模型的性能進(jìn)行近似比較。

2）它將所有這些圖像合并到一張地圖中，如圖1所示，并通過將 PyTorch 結(jié)果與 OpenVINO 結(jié)果進(jìn)行比較得出結(jié)論，以驗(yàn)證準(zhǔn)確性沒有損失。為了簡潔起見，這里我們只包含一段不言自明的片段：

if “GPU” in core.available_devices:
 num_images = 2000


compiled_model_onnx_gpu = core.compile_model(model=model_onnx, device_name=”GPU”)
#warm up
compiled_model_onnx_gpu([input_image])

向右滑動查看完整代碼

使用 OpenVINO的好處不僅在于我們可以獲得加速，還在于能夠根據(jù)你選擇的硬件優(yōu)化模型，并充分利用你手邊可用的硬件！

后續(xù)步驟

整個的步驟就是這樣！現(xiàn)在你是一個現(xiàn)代尋寶者，能夠使用 OpenVINO為你的尋找侏羅紀(jì)之旅創(chuàng)建和更新可能性地圖。

這是一個很好的例子，說明 OpenVINO如何讓每個人無論做什么都能更容易地使用人工智能。

你可以輕松地將此方法用于任何需要從航拍照片中檢測某些區(qū)域的情況，例如防火、可再生能源發(fā)電等關(guān)鍵領(lǐng)域，甚至其它星球上的生命！

審核編輯 ：李倩