使用预训练的 OpenVINO 模型
================================

在本教程中，你将学习如何用预先训练好的模型实时检测面部，就算用低算力的树莓派也能做到。
我们将向您介绍 OpenVINO 模型库，以及如何从该库中运行模型。

.. image:: /_static/images/tutorials/pretrained_openvino/face-1.png
  :alt: preview

如果您想了解有关 OpenVINO、Open Model Zoo 以及如何在本地将 OpenVINO 模型转换为 **.blob** 的更多信息, 请查看我们的 :ref:`本地 OpenVINO 模型转换`

运行 DepthAI 默认模型
#########################

你可以直接修改 :code:`depthai.py` 文件来进行 binding，
或者你可以简单地传递参数给它，让它运行你想运行的模型。

为了简单起见，我们选择后者，简单地传递参数，让 DepthAI 运行 :code:`face-detection-retail-0004`
而不是默认运行的模型。

在切换到使用 :code:`face-detection-retail-0004` 之前，还有一小步。
在这里，我们将只传递在运行 :code:`python3 depthai_demo.py` 时默认运行的神经网络，从而确保我们操作无误：

.. code-block:: bash

  python3 depthai_demo.py -dd

然后运行一个典型的演示 MobileNetv2 SSD 物体检测器，该检测器基于 `PASCAL 2007 VOC <http://host.robots.ox.ac.uk/pascal/VOC/voc2007/>`__ 的类进行训练，这些类包括：
- 人：人
- 动物：鸟、猫、牛、狗、马、羊
- 交通工具：飞机、自行车、船、公共汽车、汽车、摩托车、火车
- 室内：酒瓶、椅子、餐桌、盆栽、沙发、电视/显示器

我在我的笔记本电脑上运行了这个，OAK-D 放在我的桌子上，随机向上指向 - 它可以识别出我的笔记本电脑屏幕的一角并正确地将其识别为 :code:`tvmonitor`:

.. image:: /_static/images/tutorials/pretrained_openvino/tvmonitor.png
  :alt: laptop

运行模型
#########

在验证完之后，让我们继续尝试其他模型，首先是 :code:`face-detection-retail-0004`.

要使用这个模型，只需用 :code:`-cnn` 标志指定要运行的模型名称，如下所示:

.. code-block:: bash

  python3 depthai_demo.py -dd -cnn face-detection-retail-0004

这将下载编译的 :code:`face-detection-retail-0004` NN 模型并使用它在颜色帧上运行推理(检测人脸):

.. image:: /_static/images/tutorials/pretrained_openvino/face-2.png
  :alt: face

就这么简单。 当然，用你的脸代替我的。

如果你想尝试其他模型，只需浏览 `这里 <https://github.com/luxonis/depthai/tree/master/resources/nn>`__
然后按他们的名字运行，就像上面一样。

现在花一些时间来试用模型。 
例如，您可以检查模型可以检测到您的脸部的距离：

.. image:: /_static/images/tutorials/pretrained_openvino/face-3.png
  :alt: face

.. image:: /_static/images/tutorials/pretrained_openvino/face-4.png
  :alt: face

在第二张图片中，你可以看到我在一个很背光的环境下, 这是人脸检测（和其他特征检测）的主要挑战之一。
在这种情况下，很可能会限制可以检测到脸部的最大范围。
根据上面的测试，对于50％的置信度阈值，此范围似乎约为6米/20英尺。
你可以通过降低模型的置信度阈值 （从 :code:`0.5` `这里 <https://github.com/luxonis/depthai/blob/cdb902179590f0e7b684dde994369e137794a2ef/depthai.py#L233>`__ 降低）来获得更长的范围，但代价是增加了误报的可能性。

另一个限制因素是，这是一个相对低分辨率的模型（300x300像素），所以远处的人脸就特别小。
因此，让我们尝试另一种使用更高分辨率的人脸检测模型。

尝试其他模型
###################

我们走过的流程也适用于我们代码库中
(`这部分 <https://github.com/luxonis/depthai-python-extras/tree/master/resources/nn>`__ 的其他预训练对象检测模型)，其中包括：

- 零售业的人脸检测 (:code:`face-detection-retail-0004`)
- 用于驾驶辅助的面部检测 (:code:`face-detection-adas-0001`)
- 面部特征点检测, 简单 (:code:`landmarks-regression-retail-0009`)
- 面部特征点检测，高级 (:code:`facial-landmarks-35-adas-0002`)
- 情绪识别 (:code:`emotions-recognition-retail-0003`)
- 用于驾驶辅助的行人检测 (:code:`pedestrian-detection-adas-0002`)
- 零售环境下的人员检测 (:code:`person-detection-retail-0013`)
- 用于驾驶辅助的车辆检测 (:code:`vehicle-detection-adas-0002`)
- 车辆和车牌检测 (:code:`vehicle-license-plate-detection-barrier-0106`)
- Yolo - 一般物体检测(:code:`yolo-v3`)
- tiny Yolo - 一般物体检测(:code:`tiny-yolo-v3`)

您可以在 :code:`-cnn` 参数后简单地指定这些模型中的任何一个。

我们可以试试 :code:`face-detection-adas-0001`, 它的目的是检测车辆驾驶室内的人脸。
(ADAS 是 Advanced Driver-Assistance Systems 的缩写, 表示高级驾驶辅助系统)。

.. code-block:: bash

  python3 depthai_demo.py -dd -cnn face-detection-adas-0001

.. image:: /_static/images/tutorials/pretrained_openvino/face-5.png
  :alt: face

因此，尽管具有较高的分辨率，但该模型实际上具有较短的检测距离(相对较小的模型来说)。
为什么这么说呢？ 可能是因为它的目的是在车辆的驾驶室中使用，所以经过有意训练只能检测近距离的人脸。 （例如，您不想检测经过的汽车中的人脸。）

空间AI–用3D定位增强模型的功能
#################################################

默认情况下，DepthAI 被设置为返回完整的 3D 位置。
所以在上面的命令中，我们实际上是用 :code:`-dd` （或 :code:`--disableDepth`）指定它不计算。 

因此，让我们运行同样的命令，但省略这一行，以便返回(并显示)3D 结果：

.. code-block:: bash

  python3 depthai_demo.py -cnn face-detection-adas-0001

.. image:: /_static/images/tutorials/pretrained_openvino/face-6.png
  :alt: face

在这里，您可以找到我杯子的 3D 位置！

你可以选择其他模型，改变标签，然后完成了 – 获得你关心的类的实时 3D 位置。

试用该功能，并在 `discuss.luxonis.com <https://discuss.luxonis.com/>`__ 
上分享您想出的演示（特别是如果您制造的机器人会跟踪您的猫），如果遇到任何问题，请在我们的  `Github <https://github.com/luxonis/depthai>`__ 上对我们进行ping操作。

如果您在这些文档中发现任何错误，请告诉我们，我们会及时更正！页面下方有我们的联系方式，在此表示感谢！！！

.. include::  /pages/includes/footer-short.rst