预先训练的模型

英特尔® Distribution of OpenVINO™ toolkit 包括两套优化模型,可加快开发速度并改善英特尔® 处理器的图像处理管道。将这些模型用于开发和生产部署,而无需搜索或训练您自己的模型。

年龄和性别识别

这种基于神经网络的模型可以提供足够准确的年龄和性别估算值,以帮助您集中精力进行营销工作。

文字检测

该模型基于以 MobileNetV2* 为骨干的 PixelNet* 架构。它可以检测室内和室外场景中的文本。

 

更多信息

基于注意力的方法

使用基于此方法的单张图像和超分辨率网络,可以将输入图像的分辨率提升三或四倍。这两种模型比基于 SRResNet 的网络更快,并且具有更优的内存消耗。

 

更多信息

标准模型

出于各种用途进行面部识别,例如观察乘客是否在车内或计算室内行人数量。将其与人员检测器结合使用,以识别流动的人员。

人脸关键点检测

这是基于卷积神经网络的自定义架构。它可以检测到 35 个人脸关键点,覆盖眼睛、鼻子、嘴巴、眉毛和面部轮廓。

轻量级人脸关键点检测

这个轻量级的回归模型可识别五个人脸关键点:两只眼睛、一个鼻子和两个唇角。该模型最适合智能教室的使用案例。

人脸识别 

使用此轻量级网络在智能教室场景中进行人脸识别。为了获得最佳结果,请使用面向正面并对齐的输入面。

高角度检测

对于安装在较高有利位置的相机,请使用此模型以计算画面中的人数。

人员、车辆和自行车检测

区分人、骑自行车的人、单车和车辆。此模型中的各种照明条件都可以提高日光、黑暗和天气变化的准确性。

行人检测

使用基于 SSD 框架且调整后的 MobileNetV1* 作为特征提取器的网络,可以在公共场所中区分人与物。

行人和车辆检测

通过使用基于 SSD 框架的网络来识别人员和车辆,并以经过调整的 MobileNetV1 作为特征提取器。

行人属性

确定一个行人过马路的关键属性:性别、帽子、长袖、长裤、长发、外套和夹克。

智能教室的动作检测

该模型可以识别包括就坐、站立和举手的姿势。将此动作检测器用于基于 RMNet 主干并进行深度卷积的智能教室场景。

人体姿势估计

这个多人 2D 姿态估计网络基于 OpenPose 的方法,并使用经过调整的 MobileNetV1 来提取特征。它检测骨骼(由关键点和它们之间的连接组成)以识别图像中每个人的人体姿势。姿势可能包含多达 18 个关键点:耳朵、眼睛、鼻子、脖子、肩膀、肘部、手腕、臀部、膝盖和脚踝。

车辆检测

通过应用 SSD 框架来识别车辆,该框架使用经过调整的 MobileNetV1 来提取特征。

车牌检测:小型网络

该模型具有一个占地面积小的网络,该网络经过训练可以识别(但不能读取)各种中国车牌。

车牌检测:前置摄像头

这款基于 MobileNetV2 和 SSD 的车辆和车牌检测器可从前置摄像头识别中国车牌。该模型对于需要检测前车牌的安全屏障很有用。

 

注意:该模型替代了以前的版本,并在保持相同精度的同时有更快的运行速度。

车辆元数据

进行初步分析并显示后退元数据,以便将来更快地进行排序和搜索。对于红色、白色、黑色、绿色、黄色、灰色和蓝色,该模型的平均颜色准确性超过 82%。对于汽车、货车、卡车和公共汽车,其平均车辆类型属性超过 87%。

识别路边物体

将对象分类为道路、路缘石、绘线或背景。

高级路边识别

将对象分类为道路、人行道、建筑物、墙壁、栅栏、电线杆、交通信号灯、交通标志、植被、地形、天空、人、乘客、汽车、卡车、公共汽车、火车、摩托车、自行车或电动车辆。

产品和性能信息

1

英特尔的编译器针对非英特尔微处理器的优化程度可能与英特尔微处理器相同(或不同)。这些优化包括 SSE2、SSE3 和 SSSE3 指令集和其他优化。对于在非英特尔制造的微处理器上进行的优化,英特尔不对相应的可用性、功能或有效性提供担保。该产品中依赖于微处理器的优化仅适用于英特尔微处理器。某些非特定于英特尔微架构的优化保留用于英特尔微处理器。关于此通知涵盖的特定指令集的更多信息,请参阅适用产品的用户指南和参考指南。

通知版本 #20110804