记录一下模型部署时调研的一些笔记
1. OpenVINO优势：
高性能：OpenVINO提供了一系列的性能优化工具，如模型量化和剪枝等，可以在Intel硬件平台上实现高性能和低延迟的推理。
多平台支持：OpenVINO支持多种Intel硬件平台，包括CPU、GPU和FPGA等，可以在不同的硬件平台上进行优化和部署。
多框架支持：OpenVINO支持多种流行的深度学习框架，如TensorFlow、PyTorch和Caffe等，可以方便地将已有的模型集成到OpenVINO中。
简化部署：OpenVINO提供了一系列的工具和API，可以简化模型的部署和集成，使得开发者可以更快速地将模型部署到生产环境中。
预训练模型：OpenVINO提供了一系列的预训练模型，可以直接使用这些模型进行推理，也可以在这些模型的基础上进行微调和优化。
灵活性：OpenVINO提供了灵活的部署选项，可以将模型部署到本地设备、云端或边缘设备上，以满足不同的应用场景需求。
可扩展性：OpenVINO支持分布式推理，可以将模型部署到多个设备上进行并行推理，以提高推理速度和吞吐量。
易用性：OpenVINO提供了易于使用的API和工具，可以帮助开发者快速上手，快速构建和部署深度学习模型。
开源：OpenVINO是一个开源工具包，可以免费使用和修改，开发者可以根据自己的需求进行二次开发和定制。
支持多种操作系统：OpenVINO支持多种操作系统，包括Windows、Linux和macOS等，可以在不同的操作系统上进行开发和部署。
支持多种语言：OpenVINO支持多种编程语言，包括C++、Python和Java等，可以方便地与不同的应用程序进行集成。
安全性：OpenVINO提供了安全性功能，如模型加密和安全推理等，可以保护模型和数据的安全性。
可视化工具：OpenVINO提供了可视化工具，如模型优化器和推理引擎等，可以帮助开发者更好地理解和优化模型。
社区支持：OpenVINO有一个活跃的社区，开发者可以在社区中获取支持和帮助，也可以分享自己的经验和成果。
适用范围广：OpenVINO适用于多种应用场景，如图像识别、目标检测、人脸识别、自然语言处理等，可以满足不同领域的需求。
2. onnx优势
ONNX（Open Neural Network Exchange）是一种开放的深度学习模型交换格式，它具有以下优势：
跨平台支持：ONNX可以在不同的深度学习框架之间进行模型转换和交换，使得模型可以在不同的平台上进行部署和推理。
高效性：ONNX模型可以在不同的硬件平台上进行优化和部署，以实现高效的推理和低延迟。
灵活性：ONNX支持多种深度学习框架，如PyTorch、TensorFlow和Caffe等，可以方便地将已有的模型转换为ONNX格式。
易用性：ONNX提供了易于使用的API和工具，可以帮助开发者快速上手，快速构建和部署深度学习模型。
开源：ONNX是一个开源的深度学习模型交换格式，可以免费使用和修改，开发者可以根据自己的需求进行二次开发和定制。
可扩展性：ONNX支持分布式推理，可以将模型部署到多个设备上进行并行推理，以提高推理速度和吞吐量。
可视化工具：ONNX提供了可视化工具，如ONNX Runtime和Netron等，可以帮助开发者更好地理解和优化模型。
社区支持：ONNX有一个活跃的社区，开发者可以在社区中获取支持和帮助，也可以分享自己的经验和成果。
适用范围广：ONNX适用于多种应用场景，如图像识别、目标检测、人脸识别、自然语言处理等，可以满足不同领域的需求。
模型可移植性：ONNX模型可以在不同的平台和设备上进行部署和推理，使得模型具有更好的可移植性和可重用性。
模型优化：ONNX提供了一系列的模型优化工具，如模型压缩和量化等，可以帮助开发者优化模型的大小和性能。
模型更新：ONNX模型可以通过增量学习和迁移学习等技术进行更新和优化，以适应不断变化的应用场景需求。
模型共享：ONNX模型可以通过云端服务和模型市场等方式进行共享和交换，以促进模型的共享和合作。
模型保护：ONNX提供了模型加密和安全推理等功能，可以保护模型和数据的安全性。
模型可解释性：ONNX模型可以通过可视化工具和解释性技术等方式进行解释和分析，以帮助开发者更好地理解和优化模型。
模型转换：ONNX可以将不同深度学习框架的模型转换为ONNX格式，使得模型可以在不同的框架之间进行转换和交换。
模型集成：ONNX可以将多个模型集成为一个模型，以实现更复杂的任务和应用场景。
模型调试：ONNX提供了模型调试工具，如ONNX Runtime和Netron等，可以帮助开发者调试和优化模型。
模型部署：ONNX可以将模型部署到不同的平台和设备上，如CPU、GPU、FPGA和边缘设备等，以满足不同的应用场景需求。
模型监控：ONNX提供了模型监控工具，可以帮助开发者监控模型的性能和运行状态，以及及时发现和解决问题。
模型迁移：ONNX可以将模型从一个平台或设备迁移到另一个平台或设备，以适应不同的应用场景需求。
模型可重用性：ONNX模型可以在不同的应用场景中进行重用，以提高模型的效率和可靠性。
模型自动化：ONNX可以与自动化工具和流程集成，以实现模型的自动化构建、部署和管理。
模型标准化：ONNX是一个开放的标准化格式，可以促进深度学习模型的标准化和共享，以推动深度学习技术的发展和应用。
模型可扩展性：ONNX可以与其他技术和工具集成，如自然语言处理、计算机视觉和增强学习等，以实现更复杂的任务和应用场景。
ONNX Runtime是一个高性能、跨平台的推理引擎，可以加速ONNX模型的推理。它可以通过以下方式对ONNX模型进行加速：
硬件加速：ONNX Runtime可以利用硬件加速器，如GPU、FPGA和ASIC等，以提高模型的推理速度和吞吐量。
自动优化：ONNX Runtime可以自动优化模型，如自动选择最优算法、自动调整线程数和内存分配等，以提高模型的性能和效率。
异步推理：ONNX Runtime可以实现异步推理，即在推理过程中同时进行数据加载和预处理等操作，以提高推理效率。
模型压缩：ONNX Runtime可以对模型进行压缩，如权重剪枝、量化和分解等，以减小模型的大小和提高推理速度。
网络优化：ONNX Runtime可以对网络进行优化，如层融合、层拆分和层重排等，以减小网络的复杂度和提高推理速度。
并行推理：ONNX Runtime可以实现并行推理，即将模型分成多个部分进行并行计算，以提高推理速度和吞吐量。
缓存机制：ONNX Runtime可以利用缓存机制，将模型和数据缓存到内存中，以减少数据加载和预处理等操作，提高推理效率。
综上所述，ONNX Runtime可以通过多种方式对ONNX模型进行加速，以提高模型的推理速度和效率。
3. ONNX Runtime与OpenVINO各自优势
ONNX Runtime和OpenVINO都是用于深度学习模型推理的工具，它们各自有不同的优势：
ONNX Runtime的优势：
跨平台支持：ONNX Runtime支持多种操作系统和硬件平台，如Windows、Linux、MacOS、Android、iOS、ARM和x86等。
多框架支持：ONNX Runtime支持多种深度学习框架，如PyTorch、TensorFlow和Caffe等。
高性能：ONNX Runtime具有高性能的推理引擎，可以利用硬件加速器、自动优化和并行推理等技术，以提高模型的推理速度和效率。
易用性：ONNX Runtime提供了易于使用的API和工具，可以帮助开发者快速上手，快速构建和部署深度学习模型。
开源：ONNX Runtime是一个开源的深度学习模型推理引擎，可以免费使用和修改，开发者可以根据自己的需求进行二次开发和定制。
OpenVINO的优势：
针对Intel平台优化：OpenVINO是Intel推出的深度学习推理引擎，针对Intel平台进行了优化，可以充分利用Intel CPU、GPU、VPU和FPGA等硬件加速器，以提高模型的推理速度和效率。
支持多种模型格式：OpenVINO支持多种深度学习模型格式，如TensorFlow、Caffe、MXNet和ONNX等。
支持多种操作系统：OpenVINO支持多种操作系统，如Windows、Linux和MacOS等。
支持多种编程语言：OpenVINO支持多种编程语言，如C++、Python和Java等。
支持多种应用场景：OpenVINO支持多种应用场景，如图像识别、目标检测、人脸识别和自然语言处理等。
综上所述，ONNX Runtime和OpenVINO各自有不同的优势，开发者可以根据自己的需求选择适合自己的工具。如果需要跨平台支持和多框架支持，可以选择ONNX Runtime；如果需要针对Intel平台进行优化和支持多种硬件加速器，可以选择OpenVINO。
4.针对量化后的模型效果丢失问题，模型量化过程中会裁剪掉一些参数。会导致分割细节明显丢失，但在接受范围之内。不只是自己的模型量化后效果才丢失，其他人的也一样：如下图所示：
