前言
openvino的文档实在太少了，写的也是相当含糊，包括它的例子，谷歌搜索了半天找不到和我类似的问题，于是我在此记录一下，用来帮助后来人，如何用openvino推断多输入多输出的模型。
本文将使用openvino runtime的python binding，先把模型转换为正确的格式，再进行推断。
模型示例
首先先科普一些基本知识，openvino目前是支持onnx模型直接加载的，也可以将onnx模型通过openvino的模型优化器转化成xml再加载，如果你是pytorch的模型的话，请先转为onnx。另外，在推断时，openvino的gpu推断目前是不支持动态加载的，只有cpu支持，也就是说你的向量尺寸必须固定下来，不能变化。不巧的是，本例中的模型还真就是动态加载的。
用netron软件打开我们的onnx模型看下输入输出：
输入有6个向量，src,r1i,r2i,r3i,r4i,r5i,downsample_ration。
输出也有六个向量，fgr,pha,r1o,r2o,r3o,r4o。本例中模型特殊的地方在于r1-r4是循环记忆向量，这个是在变化的，也就是说不能固定尺寸。
模型转换
本文假定你已经安装好了openvino的工具包。然后在命令行里输入：
mo --input_model 你的模型.onnx
--input src,r1i,r2i,r3i,r4i,downsample_ratio
--input_shape (1,3,720,1280),(1,?,?,?),(1,?,?,?),(1,?,?,?),(1,?,?,?),(1)
--output fgr,pha,r1o,r2o,r3o,r4o
--data_type FP32
这里注意input和output里面的写法。多个输入输出要用逗号隔开并正确指定名称，同时input_shape里的向量形状需要你固定好，本例中由于r1-r4没法固定，所以就只固定了第一个和最后一个向量，其他都以问号填充。data_type指定模型的精度，本例中指定了FP32，一般对于cpu而言FP32会跑的更快。
没有报错后顺利转换完毕。多出了几个文件。只需要xml就行。
推断代码核心
本例假定你已经安装了openvino runtime。
from openvino.runtime import Core
ie = Core()
model_openvino = "xxxxx.xml"
model = ie.read_model(model=model_openvino)
compiled_model = ie.compile_model(model=model, device_name="CPU")
x = iter(compiled_model.inputs)
for i in x:
print(i)
y = iter(compiled_model.outputs)
for i in y:
print(i)
前三行代码读取模型，第四行代码加载模型，其中device_name指定cpu或者gpu跑，本例中因为动态尺寸，所以必须用cpu，不然加载报错。
后面几行代码会打印出所有的输入层和输出层，是用来检查的。
输出如下：
接下来正式推断：
infer_request = compiled_model({
'src': src,
'r1i': rec[0],
'r2i': rec[1],
'r3i': rec[2],
'r4i': rec[3],
'downsample_ratio': downsample_ratio
})
fgr,pha,*rec= infer_request.values()
输入的时候注意把向量尺寸都对应好，其中的infer_request是一个字典，因为有多个输出，取值的时候只需要按照字典的顺序用values()方法直接取值即可。
另外这里的*rec是指把剩下的四个循环记忆向量都存进了rec数组里，当成输入再进行推断，所以说是动态尺寸，因为在初始化时，这四个向量是空的，推断一次后就有固定形状了，这玩意目前在openvino的gpu推断里不支持。反正本例最重要的是多输入多输出如何推断的方法，我自行摸索了好久才明白过来。