OpenVINO 作为 Intel 开源的推断框架，在多种设备上都有着较为优秀的表现，尤其是在边缘设备上可谓是独领风骚。

边缘设备的推出，大幅降低了中台服务器的压力，使得整个系统的性能和稳定性都有了较大的提升。

原本可能一台服务器要对上百路的视频进行复杂的图像处理，现在只需进行简单的逻辑分析，是不是有点军事中的“化整为零”的意味？这篇文章就来讲讲一些神经网络中化整为零思想。

从基本思想出发目前的神经网络其实就两码事:①回归；②分类。

在工业上，当我们使用深度学习对两个物体测距的时候，会使用目标检测算法寻找这两个物体，然后计算二者之间的距离，这么做貌似合理，但又感觉有些许欠妥。后来笔者一拍大腿，这距离我用算法不就能直接回归出来的嘛，用什么目标检测网络。网上一找，发现大家对于神经网络在回归上的应用都很少，甚至于不知道回归还能这么搞，特有此文。

但凡测量，不光是距离，还有角度，以及坐标点，都是可以用回归思想做出来的，譬如寻找细小的钉子；譬如计算指针的旋转角度；譬如测量细长钉子的长度。另外，由于回归网络任务比较单一，所以其网络可以设计得很小，并且精度远高于复杂的目标检测网络。所以，学会巧妙地运用回归网络，让你的 OpenVINO 边缘设备跑十几个网络完全不是梦。

下面是一个运用回归网络来做测量+位置的简单 demo

GitHub 地址 ：
https://github.com/dgl547437235/LogicRegression/tree/main

主要分为如下几步骤：

①生成数据集;

②准备模型;

③训练;

④使用 OpenVINO 进行部署。

下面是详情要点:

①生成数据集，执行如下脚本会在当前目录下生成img 文件夹，其中是1000张随机生成线条的图片，并且讲线条的长度和坐标点记录在 train.txt 。

②构建一个模型，见 Model.py，其中的骨架网络参考了 MobileNetV2 设计，如下图：

③开始训练执行如下脚本。

在进行逻辑回归的时候，通常使用 SmoothL1Loss 或者 MSELoss，训练时，每隔5个批次进行一次模型保存，最后得到 net.pt 和net.onnx两个模型，前者可以随时进行后续地训练，后者可以扔给 OpenVINO 进行推断。


④测试。

在这里我们来看下 OpenVINO 下的部署方式，从代码中可以看到，从开始到结尾总共才25行代码，这种便捷性是其他几种框架很难比拟的，足够地精简以及强壮。同时，我们看下测试的图片，对于线段两端点位置的回归以及长度的回归都是很准的，说明我们的神经网络很好地完成了回归任务。