模型制备
每一个深度学习工作流程都是从获取模型开始的。您可以选择准备一个自定义的网络，使用现成的解决方案并根据您的需求进行调整，甚至可以从在线数据库下载并运行预先训练的网络，例如TensorFlow Hub，Hugging Face，Torchvision模型。
OpenVINO™支持多种模型格式，并允许将它们转换为自己的openvino.runtime.Model（ov.Model），提供了专用于此任务的工具。
有几个选项可以将模型从原始框架转换为OpenVINO模型格式（ov.Model）。
read_model()方法从文件中读取模型并生成ov.Model。如果文件是支持的原始框架文件格式之一，则会自动转换为OpenVINO中间表示。如果文件已经是OpenVINO IR格式，它将“按原样”读取，而不涉及任何转换。ov.Model可以使用ov.serialize()方法序列化为IR。可以使用应用后训练量化方法的神经网络压缩框架（NNCF）来进一步优化序列化IR。
Python中转换模型
模型转换API，具体来说就是mo.convert_model()方法将原框架的模型转换为ov.Model。mo.convert_model()返回内存中的ov.Model对象，因此不需要read_model()方法。结果ov.Model可以在相同的训练环境（python脚本或Jupiter Notebook）中推断出来。mo.convert_model()提供了一种方便的方法，可以在推理应用程序中快速从基于框架的代码切换到基于OpenVINO的代码。除了模型文件之外，mo.convert_model()还可以直接使用Python构建OpenVINO扩展对象，以便更轻松地转换OpenVINO中不支持的操作。mo.convert_model()方法也有一组参数来切割模型，设置输入形状或布局，添加预处理等。
转换模型 mo 命令行工具
转换模型的另一个选择是使用mo命令行工具。mo是一种跨平台工具，可促进训练和部署环境之间的转换，执行静态模型分析，并调整深度学习模型，以便在与mo.convert_model方法相同的端点目标设备上实现最佳执行。
mo需要使用预训练的深度学习模型，支持以下格式之一：TensorFlow、TensorFlow Lite、PaddlePaddle或ONNX。mo将模型转换为OpenVINO中间表示格式（IR），需要使用ov.read_model()方法读取。然后，您可以使用OpenVINO™ Runtime编译和推断ov.Model。
下图展示了部署经过训练的深度学习模型的典型工作流程：
其中IR是描述模型的一对文件：
-
.xml-描述网络拓扑。 -
.bin-包含权重和偏置二进制数据。
来自ONNX、PaddlePaddle、TensorFlow和TensorFlow Lite的模型文件（不是Python对象）（请查看TensorFlow前端功能和限制）不需要单独的模型转换步骤，即mo.convert_model。OpenVINO提供了C++和Python API，可以直接通过调用read_model方法将模型导入OpenVINO Runtime。
上述mo和mo.convert_model()转换方法的结果相同。你可以选择其中一个，这取决于什么是最适合你。请记住，如果使用相同的参数集，模型转换的结果不应有任何差异。
支持的模型格式
OpenVINO IR（中间表示）-OpenVINO™的专有格式，受益于其全部功能。
ONNX、PaddlePaddle、TensorFlow、TensorFlow Lite -直接支持的格式，这意味着它们可以与 OpenVINO Runtime无需任何预先转换。有关如何在ONNX、PaddlePaddle或TensorFlow上运行推理的指南， 了解如何将OpenVINO™与您的应用程序集成。
MXNet、Caffe、Kaldi -间接支持的格式，这意味着它们需要在运行推理之前转换为OpenVINO IR。转换使用模型转换API完成，在某些情况下可能涉及中间步骤。
