【Notebook系列第十三期】基于多模型推理任务的车辆特征识别

在之前的课程中，我们分享的推理任务大部分都只由一个模型构成，但在真实的业务场景下，往往需要我们将多个模型放在一起去运行，才能获取到这个任务的最终预期结果。

因此，本次分享将通过一个简单的示例演示如何使用 OpenVINO™ 完成多模型串行的推理任务部署，看如何通过一个 Notebook 完成从车辆检测到车辆特征识别的具体任务的落地。

01 前期操作

打开 Jupyter Notebook，来到编号为218的任务中，可以看到这边有一张流程图，这张流程图明确说明了本次任务的开发流程。

首先，我们会有一张输入图片被送到前处理模块中，前处理模块会将原始图片的格式转化成后续模型所要求的输入格式，经过 resize 等前处理操作以后，图片会被送到后面的目标检测模型中，从而提取出该图片中每一辆车辆的位置信息。我们会通过位置信息进一步对原始画面进行截取，截取出车辆的特写图，再将这些特写图送到后续的识别模型中，识别出每一辆车所对应的具体特征，比如说它的颜色、它的车辆种类等。

之所以没有通过整张图片被送入到识别模型的形式去检测车辆特征，是因为如果我们将整张图片送到识别模型进行识别的话，如果这张图片中包含了很多辆车，此时会产生大量的误识别。

除此以外，我们也可以通过截取的方式，截取到一张满屏都是车辆的单张车辆特写图，进一步为我们后期模型去放大它的车辆特征表示，以提高它后面识别的精确性。

本次任务会用到 Open Model Zoo 中的车辆识别模型和一个检测模型。

检测模型

我们来看一下车辆检测模型，车辆检测模型其实是在原始画面中去找车辆的具体位置。它是一张标准的 bgr 图片，输出是由4个维度所构成的，前2个维度可以忽略不计，后面第3个维度200是指该模型对