开发者实战 | 如何在 Windows 上调用 NPU 部署深度学习模型

点击蓝字

关注我们,让开发变得更有趣

作者 | 杨亦诚

排版 | 李擎

OpenVINO™..♩~ ♫. ♪..

相信很多小伙伴都已经知道，在最新一代的 Intel Core Ultra 移动端平台中已经集成了被称为 NPU 的神经网络加速处理器，以提供低功耗的AI算力，特别适合于 PC 端需要长时间稳定运行的 AI 辅助功能，例如会议聊天软件中的自动抠像，或是画面超分辨率等应用。而 OpenVINO™ 工具套件也在第一时间对 NPU 进行了适配，接下来就让我们一起看一下如何在 Intel Core Ultra 处理器上搭建基础环境，并调用 NPU 进行模型推理任务。

OpenVINO™

NPU 驱动安装

首先我们需要确保是否安装了最新版的 NPU 驱动，可以通过 Windows 任务管理调出当前 NPU 驱动版本信息。

图：NPU在Windows任务管理器中显示驱动版本

查询当前最新的 NPU 驱动版本：

https://www.intel.com/content/www/us/en/download/794734/intel-npu-driver-windows.html

图：NPU驱动下载页面

如果想更新或是重装 NPU 驱动，可以参考以下指引下载并安装驱动：

https://docs.openvino.ai/2023.3/openvino_docs_install_guides_configurations_for_intel_npu.html

OpenVINO™ 的下载和安装

由于目前 NPU Plugin 还没有被集成在 OpenVINO™  的 pipy 安装包中，因此我们需要通过下载 OpenVINO™ runtime 压缩包的方式进行安装。

图：OpenVINO™下载页面

整个安装过程非常简单，只需将压缩包解压到在本地路径下既可。具体方法可以参考上图标红处的安装说明。

图：将压缩包解压至本地路径

Python环境配置

通过执行压缩包中的 setupvars.bat 环境配置脚本，我们便可以直接在 Python 环境下加载 OpenVINO™ runtime 和 NPU Plugin 环境。同时利用 OpenVINO™ 的 Python API 指令，我们可以快速验证 NPU 是否可以被正常调用。

图：Python环境中验证NPU调用

C++ 环境配置

不同于 Python，Windows 上的 C++ 应用需要依赖于 CMake 或者是 Visual Studio 的环境下调试，因此这里我们需要简单配置下 OpenVINO™ 库的路径。下面以 Visual Studio 中新建项目的属性配置页面为例。

图：配置OpenVINO™ runtime头文件路径

图：配置OpenVINO™ runtime动态库路径

图：配置OpenVINO™ runtime及frontednd静态库路径

图：在Windows本地添加OpenVINO环境变量路径

当完成 Visual Studio 项目属性配置后，我们可以通过调试以下示例代码，测试 NPU 是否可以被检测及调用。

#include <iostream>
#include <openvino/openvino.hpp>
int main(int argc, char* argv[]) {
 
 
    // -------- Get OpenVINO runtime version --------
    std::cout << ov::get_openvino_version() << std::endl;
 
 
    // -------- Step 1. Initialize OpenVINO Runtime Core --------
    ov::Core core;
 
 
    // -------- Step 2. Get list of available devices --------
    std::vector<std::string> availableDevices = core.get_available_devices();
 
 
    // -------- Step 3. Query and print supported metrics and config keys --------
    std::cout << "available devices: " << std::endl;
    for (auto&& device : availableDevices) {
        std::cout << device << std::endl;
    }
}

图：VS环境中验证NPU调用

  测试效果

当完成 NPU 安装后，我们可以通过 OpenVINO™ notebooks 中提供的示例，简单测试下 NPU 的性能。这个示例会通过以下 Python 代码来将模型部署在 NPU  上。

compiled_model = core.compile_model("model.xml", "NPU")

图：实时人体关键点演示效果

可以看到 NPU 在运行实时人体关键点检测模型时的效果和速度还是非常不错的，达到了 90FPS 的吞吐量，同时推理任务几乎也没有占用 CPU 额外的资源，真正做到了在提供高算力的同时，减轻 CPU 和 GPU 的任务负载。

参考资料：

1. OpenVINO™ 下载与安装方式：

https://docs.openvino.ai/2023.3/openvino_docs_install_guides_overview.html?VERSION=v_2023_3_0&OP_SYSTEM=WINDOWS&DISTRIBUTION=ARCHIVE

2. NPU 环境配置：https://docs.openvino.ai/2023.3/openvino_docs_install_guides_configurations_for_intel_npu.html

3. OpenVINO™ notebooks 示例：

https://github.com/openvinotoolkit/openvino_notebooks

OpenVINO™

--END--

你也许想了解(点击蓝字查看)⬇️➡️ 隆重推出 OpenVINO 2023.3 ™ 最新长期支持版本➡️ OpenVINO™ 2023.2 发布：让生成式 AI 在实际场景中更易用➡️ 开发者实战 | 基于 OpenVINO™ 和 LangChain 构建 RAG 问答系统➡️ 开发者实战 | 如何利用低比特量化技术进一步提升大模型推理性能➡️ 开发者实战 | 介绍OpenVINO™ 2023.1：在边缘端赋能生成式AI➡️ 基于 ChatGLM2 和 OpenVINO™ 打造中文聊天助手➡️ 基于 Llama2 和 OpenVINO™ 打造聊天机器人➡️ OpenVINO™ DevCon 2023重磅回归！英特尔以创新产品激发开发者无限潜能➡️ 5周年更新 | OpenVINO™  2023.0，让AI部署和加速更容易➡️ OpenVINO™5周年重头戏！2023.0版本持续升级AI部署和加速性能➡️ OpenVINO™2023.0实战 | 在 LabVIEW 中部署 YOLOv8 目标检测模型➡️ 开发者实战系列资源包来啦！➡️ 以AI作画，祝她节日快乐；简单三步，OpenVINO™ 助你轻松体验AIGC

扫描下方二维码立即体验 
OpenVINO™ 工具套件 2023.3

点击 阅读原文 立即体验OpenVINO™ 2023.3

文章这么精彩，你有没有“在看”？