Il vantaggio più importante di OpenVino è la capacità di prevedere in tempo reale su CPU. Ha anche vari acceleratori come GPU, VPU, FPGA. La documentazione di OpenVino è molto ben mantenuta. Pertanto, è facile da usare. Possiamo anche personalizzare OpenCL. Possiamo anche potare e quantizzare modelli di deep learning. Ha il suo strumento di benchmarking. Ha molte funzionalità di conversione dei modelli. Come convertire qualsiasi modello nella sua rappresentazione intermedia da onnx, pytorch, tensorflow, keras. Ha molti esempi di deep learning/visione artificiale già ben ottimizzati. Recensione raccolta e ospitata su G2.com.
Ha molte versioni. Quindi è necessario rimanere aggiornati per eseguire vari modelli di DL in modo efficiente. Potresti incontrare conflitti di versione. La sua caratteristica di ottimizzazione del modello è un po' lenta. Diventa difficile convertire i modelli più recenti all'avanguardia a causa dell'implementazione interna dei livelli. L'addestramento di reti neurali complesse può essere un problema poiché la conversione del modello può essere piuttosto tipica. Inoltre, non ha molte referenze per i principianti. Queste sono le cose che non mi piacciono di Openvino e che necessitano di miglioramenti. Recensione raccolta e ospitata su G2.com.
