最近在调研一款嵌入式的平台，想用作深度学习推理的实现部署，要求尺寸尽量小巧，功耗要尽量低，而且要能够承担一定复杂度的深度学习的算法实现。
恰巧参加一个活动，主办方提供了拿铁熊猫LattePanda和Intel神经计算棒NCS2，正好来评估一下相应的软硬件环境与性能。
采用了 Intel 全新 N 系列赛扬 4 核处理器，最高可达 2.40 GHz，4GB内存，内置蓝牙和 WiFi 模组，支持 USB 3.0 接口、HDMI 视频输出、3.5mm音频接口，100/1000Mbps 以太网口，以及额外的 MicroSD 扩展卡槽。集成一块 Arduino Leonardo 单片机，可以外拓各种传感器模块，支持 Windows 和 Linux 双操作系统。在功能和价格上都是完美的选择。
Intel® Movidius™ Myriad™ X VPU核心，USB 3.1 Type-A接口，支持TensorFlow, Caffe, MXNet, ONNX, PyTorch/ PaddlePaddle（通过ONNX）。
先来一张硬件合照，确实是小巧，接上鼠标、键盘、显示器，就是一台巴掌大的电脑啊！
翻个身，背面的接口也很丰富。
LattePanda Delta配的eMMC 5.0只有32GB，作为部署推理应用应该是足够了，如果想把开发环境也全部安装上，就有点不够用了。
为了测试，干脆加一块NVMe 接口的SSD，（有点飘了，500GB，其实OS加上各种软件，128GB足够了。然后分成两个250GB，准备一块给Windows10，一块装Ubuntu。）
考虑到原来开发机上采用的是VirtualBox和Ubuntu 18.04的组合，而且Ubuntu虚拟机上已经安装好了所有的软件，所以想直接把Ubuntu虚拟机挪到LattePanda Delta上。
这个想法是可行的，中间踩了两个坑，一个是不支持USB3.0，一个是Intel神经计算棒NCS2在程序运行的时候会找不到，报错。在网上搜了好多教程，花了一些时间做尝试，最终把这两个坑给踩平了。把过程和用到的软件记录下来，给想在Ubuntu虚拟机里使用Intel神经计算棒NCS2的伙伴们做个参考，也省得自己忘了。
我安装的是6.1.8版本，安装文件链接如下：
http://download.virtualbox.org/virtualbox/
VirtualBox的6.1.8版本安装后，自带增强功能的iso文件，在如下路径下：
C:\Program Files\Oracle\VirtualBox\VBoxGuestAdditions.iso，
需要在虚拟光驱里添加该文件：
我使用的是Ubuntu 18.04.3 LTS，从笔记本电脑的虚拟机Copy过来的，所有软件齐全，大约30多GB，需要点击“注册”，导入虚拟机。
需要修改一下虚拟机的一些参数，然后就可以使用了。如：我原来的笔记本是8核的，虚拟机设置使用4核，现在CPU是4核的，虚拟机改成2核的。
也可以自己重新安装Ubuntu。
推荐一个清华的源：https://mirror.tuna.tsinghua.edu.cn/help/ubuntu/
要安装增强功能，单击虚拟机菜单中的“设备”>“安装增强功能”。
然后通过如下链接下载对应版本的扩展增强包，并添加到“全局设定”的“扩展”里：
http://download.virtualbox.org/virtualbox/6.1.8/Oracle_VM_VirtualBox_Extension_Pack-6.1.8-137981.vbox-extpack
这时，在USB设备里，你才可以使用USB3.0的控制器。
注意：这样才能使用USB3.0的功能（这是一个坑，莫要掉进去）。
在Ubuntu虚拟机上使用Intel NCS2计算棒，需要增加一个USB筛选器，相应的程序才可以正确运行。
USB筛选器：名称可以任意，供应商标识：03E7，产品标识一定要空着！
注意：产品标识一定要空着（这也是一个坑，否则后续程序运行调用计算棒的时候会出现找不到计算棒的错误！）。
Intel提供了很好的文档帮助大家安装OpenVINO，大家可以按照这个文档一步步安装就可以了：
Install Intel® Distribution of OpenVINO™ toolkit for Linux
https://docs.openvinotoolkit.org/latest/_docs_install_guides_installing_openvino_linux.html
也可以参考视频教程：
OpenVINO™工具套件在 Lunix 上的安装+环境配置教程
https://www.bilibili.com/video/BV1fC4y1s7dt/
我的Ubuntu虚拟机里安装的是OpenVINO 2020.2.120版本，Python 3.6.9。
如果某些国外的包安装比较慢，可以试试国内的源：
pip install mxnet==1.5.1 -i https://mirrors.aliyun.com/pypi/simple
打开一个Terminal,看到如下显示，证明OpenVINO 的环境变量初始化完成正确。
[setupvars.sh] OpenVINO environment initialized
xu@HPUbuntu:~$
查看一下，计算棒是否被识别。
xu@HPUbuntu:~$ lsusb
Bus 001 Device 003: ID 03e7:2485
OpenVINO安装好后，可以测试一下LattePanda的CPU和Intel 神经计算棒NCS2的性能，
将工作路径换到如下路径：
xu@HPUbuntu:~$ cd /opt/intel/openvino/deployment_tools/demo
在该路径下执行./demo_security_barrier_camera.sh文件，该文件自动从网络的相关位置下载模型及数据，进行车的检测和车牌的识别。不带参数的时候，默认在CPU执行，加上 -d MYRAID参数，会在Intel 神经计算棒NCS2上执行。
xu@HPUbuntu:/opt/intel/openvino/deployment_tools/demo$ ./demo_security_barrier_camera.sh
xu@HPUbuntu:/opt/intel/openvino/deployment_tools/demo$ ./demo_security_barrier_camera.sh -d MYRAID
由于每次执行都会到网络去下载模型和数据，以保证是最新的版本，如果你不需要下载新的模型和数据，可以直接调用编译后的执行文件就可以了。
编译后的文件在~/inference_engine_demos_build/intel64/Release目录下，执行命令及参数如下所示：
使用CPU做车的检测和车牌的识别，大约是6.1FPS：
xu@HPUbuntu:~/inference_engine_demos_build/intel64/Release$ ./security_barrier_camera_demo -d CPU -d_va CPU -d_lpr CPU -i /opt/intel/openvino/deployment_tools/demo/car_1.bmp -m /home/xu/openvino_models/ir/intel/vehicle-license-plate-detection-barrier-0106/FP16/vehicle-license-plate-detection-barrier-0106.xml -m_lpr /home/xu/openvino_models/ir/intel/license-plate-recognition-barrier-0001/FP16/license-plate-recognition-barrier-0001.xml -m_va /home/xu/openvino_models/ir/intel/vehicle-attributes-recognition-barrier-0039/FP16/vehicle-attributes-recognition-barrier-0039.xml
[ INFO ] InferenceEngine: 0x7fd2a136c030
[ INFO ] Files were added: 1
[ INFO ] /opt/intel/openvino/deployment_tools/demo/car_1.bmp
[ INFO ] Loading device CPU
CPU
MKLDNNPlugin version ......... 2.1
Build ........... 42025
[ INFO ] Loading detection model to the CPU plugin
[ INFO ] Loading Vehicle Attribs model to the CPU plugin
[ INFO ] Loading Licence Plate Recognition (LPR) model to the CPU plugin
[ INFO ] Number of InferRequests: 1 (detection), 3 (classification), 3 (recognition)
[ INFO ] 3 streams for CPU
[ INFO ] Display resolution: 1920x1080
[ INFO ] Number of allocated frames: 3
[ INFO ] Resizable input with support of ROI crop and auto resize is disabled
0.0FPS for (1 / 1) frames
Detection InferRequests usage: 100.0%
[ INFO ] Execution successful
使用Intel 神经计算棒NCS2做车的检测和车牌的识别，大约是16.2FPS：
xu@HPUbuntu:~/inference_engine_demos_build/intel64/Release$ ./security_barrier_camera_demo -d MYRIAD -d_va MYRIAD -d_lpr MYRIAD -i /opt/intel/openvino/deployment_tools/demo/car_1.bmp -m /home/xu/openvino_models/ir/intel/vehicle-license-plate-detection-barrier-0106/FP16/vehicle-license-plate-detection-barrier-0106.xml -m_lpr /home/xu/openvino_models/ir/intel/license-plate-recognition-barrier-0001/FP16/license-plate-recognition-barrier-0001.xml -m_va /home/xu/openvino_models/ir/intel/vehicle-attributes-recognition-barrier-0039/FP16/vehicle-attributes-recognition-barrier-0039.xml
[ INFO ] InferenceEngine: 0x7f5b4663f030
[ INFO ] Files were added: 1
[ INFO ] /opt/intel/openvino/deployment_tools/demo/car_1.bmp
[ INFO ] Loading device MYRIAD
MYRIAD
myriadPlugin version ......... 2.1
Build ........... 42025
[ INFO ] Loading detection model to the MYRIAD plugin
[ INFO ] Loading Vehicle Attribs model to the MYRIAD plugin
[ INFO ] Loading Licence Plate Recognition (LPR) model to the MYRIAD plugin
[ INFO ] Number of InferRequests: 1 (detection), 3 (classification), 3 (recognition)
[ INFO ] Display resolution: 1920x1080
[ INFO ] Number of allocated frames: 3
[ INFO ] Resizable input with support of ROI crop and auto resize is disabled
0.0FPS for (1 / 1) frames
Detection InferRequests usage: 100.0%
[ INFO ] Execution successful
拿铁熊猫LattePanda Delta以它小巧的尺寸和较低的功耗来说，性能还是比较不错的，而且还有I2C,I2S,RS232等接口。板子上还搭载ATmega32U4，提供标准的Arduino接口，可以用来做电机和设备的控制。如果有更高的需求，可以升级到LattePanda Alpha，CPU是Intel Core M3-7y30，内存为8GB，eMMC 5.0为64GB。
Intel神经计算棒NCS2的性能不错，OpenVINO提供了很好的环境平台，也有较多的训练好的模型供参考，可以很方便地把训练好的网络模型做优化，部署在NCS2上。
LattePanda Delta有3个USB3.0接口并排，可以插两个Intel神经计算棒NCS2，提供两倍的计算性能。感兴趣的朋友，可以试一试。
老徐 2020/7/1
