Der wichtigste Vorteil von OpenVino ist die Fähigkeit, in Echtzeit auf der CPU vorherzusagen. Es verfügt auch über verschiedene Beschleuniger wie GPU, VPU, FPGA. Die Dokumentation von OpenVino ist sehr gut gepflegt. Daher ist es einfach zu verwenden. Wir können auch OpenCL anpassen. Wir können auch Deep-Learning-Modelle beschneiden und quantisieren. Es hat ein eigenes Benchmarking-Tool. Es verfügt über viele Modellkonvertierungsfunktionen, wie das Konvertieren eines Modells in seine Zwischenrepräsentation von onnx, pytorch, tensorflow, keras. Es gibt viele Beispielanwendungen für Deep Learning/Computer Vision, die bereits gut optimiert sind. Bewertung gesammelt von und auf G2.com gehostet.
Es hat viele Versionen. Daher müssen Sie auf dem Laufenden bleiben, um verschiedene DL-Modelle effizient auszuführen. Sie könnten auf Versionskonflikte stoßen. Die Funktion der Modelloptimierung ist etwas langsam. Es wird schwierig, neueste Modelle der Spitzenklasse zu konvertieren, aufgrund der internen Schichtimplementierung. Das Training komplexer neuronaler Netze kann ein Problem sein, da die Modellkonvertierung ziemlich typisch sein kann. Außerdem gibt es nicht viele Referenzen für Anfänger. Das sind die Dinge, die mir an Openvino nicht gefallen und die verbessert werden müssen. Bewertung gesammelt von und auf G2.com gehostet.
