1. 作品开箱
收到货，包装外观设计为深蓝底白字（Fig.1），简约大方，具有未来感；取出神经计算棒（Fig.2），设计同样为深蓝底白字，效果同包装盒，其高度为14mm，从视觉感受而已，更加舒适；此外，神经计算棒外壳采用磨砂工艺，增大摩擦力，更适合取放。
Fig.1包装盒
Fig.2神经计算棒正面照
Fig.3神经计算棒背面照
Fig.4神经计算棒高度面（侧面照）
Fig.5神经计算棒接头图
Fig.6神经计算棒接计算机图
2. 基于卷积神经网络的道路分割
2.1安装Python SDK
本任务主要基于Python语言开发，所以先在设备上配置Python环境，此处配置Python3.6。
进入https://www.python.org/，点击Download，选择相应版本的Python，最后选择Windows X86-64 executable installer进行下载。步骤如下图：
打开python-3.6.5-amd64.exe，选择安装路径，勾选Add Python 3.6 to PATH选项，然后点击Install Now，直到Python安装完毕。
唤醒CMD,键入python，验证是否安装成功，显示如下则表明安装成功。
2.2安装OpenVINO
OpenVINO toolkit是一个全面的工具包，用于快速开发应用程序和解决方案，以解决各种任务，包括人类视觉仿真、自动语音识别、自然语言处理、推荐系统和许多其他任务。该工具包基于最新一代的人工神经网络，包括卷积神经网络(CNNs)、递归和基于注意力的网络，将计算机视觉和非视觉工作负载扩展到英特尔硬件，最大限度地提高了性能。它通过从边缘到云部署的高性能、人工智能和深度学习推理来加速应用程序。
安装此工具包便于以下我们在神经棒上的部署 。
进入https://docs.openvinotoolkit.org/latest/index.html，点击Install OpenVINO，然后按下图选项选择工具包版本，点击下载即可下载安装包。
打开w_openvino_toolkit_p_2020.4.287.exe，选择安装路径，按照下图所示安装即可。
2.3配置CMake、OpenCV、Tensorflow等环境
分别在CMD中键入 pip install Opencv（CMake、Opencv）即可配置以上环境，如下图所示。
2.4测试Demo-demo_security_barrier_camera.bat
打开如下图所示的路径，复制路径，打开CMD，键入cd /d +路径，回车后键入Demo-demo_security_barrier_camera.bat，即可测试OpenVINO是否安装成功，（安装成功的结果如下系列图）
2.5撰写道路分割代码
2.5.1 构建道路分割代码框架
构建代码框架后，只需后续嵌入模型与视频流即可完成图像分割任务，代码展示如下两图所示（完整代码见附件dlfg.py）。
2.5.2嵌入预训练模型
代码框架构建完成后，需嵌入模型与权重文件，此处采用OpenVINO官方的提供的预训练模型来测试代码与算法是否可行，键入下图代码即可
2.5.3获取视频流
此处，笔者使用一段公路行车的视频作为视频流，格式为mp4，见下图。
2.6道路分割对比测试（CPU与 神经计算棒对比）
笔者CPU型号为Intel(R) Core(TM) i5-1035G1 CPU @ 1.00GHz 1.19 GHz， 神经棒型号为2代。
2.6.1CPU道路分割测试
如下图，基于CPU的道路分割中，FPS平均值为6
2.6.2神经计算棒道路分割测试
如下图，基于神经计算棒的道路分割中，FPS平均值为2.5，显然单个神经棒效果稍差于CPU，如要加快推理速度，可以增加计算棒的数目，联合推理从而加快推理速度。
1. 总结
从造型结构设计而言，英特尔神经计算棒具有极高的美学可观性，中部掏空，减轻重量的同时赋予神经棒极好的散热性能。
在配置好工具包后，神经计算棒即插即用，反应迅速，无需任何调整，使用非常便捷。
此外，本文结合Opencv和神经网络完成了道路分割任务，也分别对CPU和神经计算棒进行了对比实验，基于神经计算棒的道路分割中，FPS平均值为2.5，基于CPU的任务中FPS平均值为6，显然单个神经棒效果稍差于CPU，如要加快推理速度，可以增加计算棒的数目，联合推理从而加快推理速度。
/3 
