分享 | 英特尔第二代神经计算棒（Intel Neural Compute Stick 2）相关测试

最新推荐文章于 2026-07-20 22:31:34 发布

转载最新推荐文章于 2026-07-20 22:31:34 发布 · 9.5k 阅读

22 ·

本内容遵循CC 4.0 BY-SA版权协议

原文链接：https://blog.csdn.net/weixin_43317210/article/details/107030841

收录于

开发板推荐：天空星STM32F407VET6开发板

超高性价比 STM32主控 | 超高主频 | 一板兼容百芯 | 比赛神器 | 沉金彩色丝印

点击查看

分享 | 英特尔第二代神经计算棒（Intel Neural Compute Stick 2）相关测试

爱分享的 OpenVINO 中文社区

内容来源| 李栋
内容排版| 李擎
原文链接：https://blog.csdn.net/weixin_43317210/article/details/107030841

正文

英特尔第二代神经计算棒（Intel Neural Compute Stick 2）相关测试

英特尔在2018年正式推出了身材依然只有U盘大小的第二代神经计算棒(Neural Compute Stick 2/NCS 2)，可让开发者更智能、更高效地开发和部署深度神经网络应用，满足新一代智能设备的需求。

在这里插入图片描述

NCS 2介绍

NCS 2 仍然类似U盘造型，尺寸只有72.5×27×14毫米，通过USB 3.0 Type-A接口插入主机，兼容64位的 Ubuntu 16.04.3、CentOS 7.4、Windows 10操作系统。
NCS 2内置了最新的 Intel Movidius Myriad X VPU 视觉处理器，集成16个 SHAVE 计算核心、专用深度神经网络硬件加速器，可以极低的功耗执行高性能视觉和AI推理运算，支持 TensorFlow、Caffe 开发框架。
NCS 2 的性能比之前的 Movidius 计算棒有了极大的提升，其中图像分类性能高出约5倍，物体检测性能则高出约4倍。

NCS 2的在深度学习方面的测试

最近通过参加 DFRobot行业AI 开发者大赛，入手了一个 NCS 2。

在这里插入图片描述

NCS 2 的主要定位就是在应用于物联网。传统嵌入式设备受价格和体积影响，一般性能比较低（嵌入式设备使用的单片机、树莓派等计算、控制核心的性能肯定比电脑使用的cpu差得多），并不适合做深度学习中有关图像的运算。而 GPU 等设备因为体积较大，价格昂贵等因素，无法应用于物联网的设备端，而且在物联网的设备端只需要训练好的网络模型进行推理，不需要训练，因此在一定程度上来说，GPU用于推理会造成性能过剩。而NCS2则解决了这个矛盾，它的主要定位就是用于物联网的设备端，代替原有设备进行深度学习的推理，实现边缘计算。NCS2的体积较小，价格低，专门用于图像计算，性能高于传统的嵌入式设备，起到了取长补短的功能。

本文主要就是对NCS 2在常用图像分类，目标检测等物联网应用场景进行测试，检测NCS 2在实现深度学习网络的推理中的表现。

测试环境

操作系统：ubuntu 16.04
软件环境：OpenVINO 2019 r1
测试硬件：NCS 2（vpu）
CPU（Intel Core i7-8750H）

测试内容

本部分将4个经典的深度学习模型分别部署在CPU和NCS2，对比了他们的推理性能。

4.1 squeezenet 分类模型测试

在这个部分中，我们将使用 cpu和NCS 2（vpu）分别实现 squeezenet 的推理，实现对下图的分类

在这里插入图片描述

首先，利用 OpenVINO 将 squeezenet 图像分类模型部署在cpu上。

在这里插入图片描述

CPU 得到的推理结果如下图所示，图片中显示了TOP10分类以及其相应概率，同时可以看到 CPU 在squeezenet的推理速度非常快，可以达到378.231FPS，远远超过普通应用的需求。

在这里插入图片描述

同理，利用 OpenVINO 将 squeezenet 图像分类模型部署在 NCS 2（vpu）上。

在这里插入图片描述

VPU 得到的推理结果如下图所示，图片中显示了 TOP10 分类以及其相应概率。与CPU的推理结果相比，VPU 推理得到的结果与 CPU 结果的大致相同，但是在具体某种类的概率上有所不同，这是因为 CPU 推理时，使用的是32位的浮点数，而VPU推理的时候使用的是16位的浮点数，因此在具体的概率值上，可能会有轻微的变化，但是在分类的准确度上不会有太大影响。同时可以看到 vpu 在 squeezenet 的推理速度相对 cpu 较慢，为78.89FPS，仍可以满足绝大多数普通需求。

在这里插入图片描述

4.2 车牌识别模型测试

这一部分将测试车牌识别模型，车牌自动识别系统如今广泛应用于小区，停车场。实现阻止无关车辆，放行登记车辆，自动缴费等功能。模型将对下列图片中的车牌号进行识别和检测

在这里插入图片描述

首先，将模型部署在cpu上测试其性能：

在这里插入图片描述

测试结果如下图所示：

在这里插入图片描述

模型成功识别出来了车牌号“冀 MD711”，推理速度达到77.01FPS，性能有些过剩，远超普通应用的需求。
将模型应用于 VPU ：

在这里插入图片描述

得到的结果如下图所示：

在这里插入图片描述

VPU同样正确识别出来了车牌号“冀 MD711”，推理速度达到20.79FPS。可以满足一般应用的需求。

4.3 人脸检测模型测试

人脸检测模型也是在现实生活中广泛引用的深度学习模型，下面将测试一个人脸检测模型在 CPU、VPU上的性能表现。本文测试的模型不仅包含人脸检测，还包括人脸 3D 模型检测，性别判定，年龄预测，表情判定等，因此总体模型比较复杂，具体应用时可以单独选择一项或几项应用。
首先查看模型部署在 CPU 上的性能表现：

在这里插入图片描述

在 CPU上，模型的推理速度依然非常快，可以达到38.14FPS。可见高性能的 CPU 即使在如此复杂的模型推理中，依然有些性能过剩。
而VPU的测试结果则如下所示：

在这里插入图片描述

在VPU上，模型的推理速度减慢为10.79FPS，在实际应用上可能会显得比较慢。这因为测试的模型比较复杂的缘故，实际应用中，可能并不需要人脸3D模型检测，性别判定，年龄预测，表情判定等全部功能，因此对模型进行简化可以加快其推理速度，使模型成功引用与VPU，替代嵌入式设备的控制核心进行深度学习推理任务。

4.4 GoogleNetV2物体检测模型测试

本部分将测试GoogleNetV2物体检测模型在CPU、VPU上的性能表现。
首先看CPU的性能表现：

在这里插入图片描述

检测的速度达到：31.72FPS
然后看VPU的表现性能：

在这里插入图片描述

检测的速度达到：13.01FPS
这个结果与4.3的测试结果类似，使用CPU检测性能过剩，而使用VPU推理的速度则稍微变慢。这说明在某些较复杂的模型中单独一个NCS 2可能并不能完全胜任深度学习模型的推理工作，可以考虑将推理任务分组由多个NCS 2完成，或者使用NCS 2作为核心推理设备的加速组件用于加快模型推理。

5 结论

通过以上测试可以得出，Intel推出的NCS 2（VPU）可以作为物联网设备端AI应用的计算核心，胜任诸如图像分类，车牌检测等常用的深度学习模型的推理任务，实现边缘计算的功能。在应用某些较为复杂的模型时，可以使用多个NCS2（VPU）进行协同工作，或者将NCS 2作为核心推理设备的加速组件，加速模型的推理，实现更好的应用。

关注我们，让开发变得更有趣👇
在这里插入图片描述