利用PaddleDetection部署自己的轻量级移动检测嵌入式平台（多种高性能网络模型）--Pytorch实现

总结：绘上一张Kakfa架构思维大纲脑图（xmind）

其实关于Kafka，能问的问题实在是太多了，扒了几天，最终筛选出44问：基础篇17问、进阶篇15问、高级篇12问，个个直戳痛点，不知道如果你不着急看答案，又能答出几个呢？

若是对Kafka的知识还回忆不起来，不妨先看我手绘的知识总结脑图（xmind不能上传，文章里用的是图片版）进行整体架构的梳理

梳理了知识，刷完了面试，如若你还想进一步的深入学习解读kafka以及源码，那么接下来的这份《手写“kafka”》将会是个不错的选择。

• Kafka入门

• 为什么选择Kafka

• Kafka的安装、管理和配置

• Kafka的集群

• 第一个Kafka程序

• Kafka的生产者

• Kafka的消费者

• 深入理解Kafka

• 可靠的数据传递

• Spring和Kafka的整合

• SpringBoot和Kafka的整合

• Kafka实战之削峰填谷

• 数据管道和流式处理(了解即可)

本文已被CODING开源项目：【一线大厂Java面试题解析+核心总结学习笔记+最新讲解视频+实战项目源码】收录

需要这份系统化的资料的朋友，可以点击这里获取

②视频展示

# 利用PaddleDetection部署自己的轻量级移动检测嵌入式平台（多种高性能网络模型）–Pytorch实现

2.背景

---

PaddleDetection 是百度飞桨推出的物体检测统一框架。支持现有的RCNN、SSD、YOLO等系列模型、支持 ResNet、ResNet-VD、ResNeXt、ResNeXt-VD、SENet、MobileNet、DarkNet等主干网络。针对不同的业务场景（性能、目标大小、准确率等）可以选择框架中的不同模块组合得到最适合的模型，实现任务。相比于tensorflow的Object_Detection,优势之一就是将YOLOv3这一目标检测的快速算法融合到了框架下。

地址：飞桨PaddlePaddle-源于产业实践的开源深度学习平台

3.安装PaddlePaddle

---

pip install git+https://github.com/philferriere/cocoapi.git#subdirectory=PythonAPI

或者通过Github地址：

PaddlePaddle/PaddleDetection: Object Detection toolkit based on PaddlePaddle. It supports object detection, instance segmentation, multiple object tracking and real-time multi-person keypoint detection. (github.com)")

4.预训练模型的下载

---

PaddleDetection提供的非常丰富的预训练库，各种经典检测、分割、识别、追踪等任务的优秀框架模型供我们选择：

​

比如yolov3在coco和voc数据集上的预训练模型和权重列表如下：

YOLOv3 on COCO：

| 骨架网络 | 输入尺寸 | 每张GPU图片个数 | 学习率策略 | 推理时间(fps) | Box AP | 下载 | 配置文件 |

| — | — | — | — | — | — | — | — |

| DarkNet53(paper) | 608 | 8 | 270e | ---- | 33.0 | - | - |

| DarkNet53(paper) | 416 | 8 | 270e | ---- | 31.0 | - | - |

| DarkNet53(paper) | 320 | 8 | 270e | ---- | 28.2 | - | - |

| DarkNet53 | 608 | 8 | 270e | ---- | 39.0 | 下载链接 | 配置文件 |

| DarkNet53 | 416 | 8 | 270e | ---- | 37.5 | 下载链接 | 配置文件 |

| DarkNet53 | 320 | 8 | 270e | ---- | 34.6 | 下载链接 | 配置文件 |

| ResNet50_vd | 608 | 8 | 270e | ---- | 39.1 | 下载链接 | 配置文件 |

| ResNet50_vd | 416 | 8 | 270e | ---- | 36.6 | 下载链接 | 配置文件 |

| ResNet50_vd | 320 | 8 | 270e | ---- | 33.6 | 下载链接 | 配置文件 |

| ResNet34 | 608 | 8 | 270e | ---- | 36.2 | 下载链接 | 配置文件 |

| ResNet34 | 416 | 8 | 270e | ---- | 34.3 | 下载链接 | 配置文件 |

| ResNet34 | 320 | 8 | 270e | ---- | 31.2 | 下载链接 | 配置文件 |

| MobileNet-V1 | 608 | 8 | 270e | ---- | 29.4 | 下载链接 | 配置文件 |

| MobileNet-V1 | 416 | 8 | 270e | ---- | 29.3 | 下载链接 | 配置文件 |

| MobileNet-V1 | 320 | 8 | 270e | ---- | 27.2 | 下载链接 | 配置文件 |

| MobileNet-V3 | 608 | 8 | 270e | ---- | 31.4 | 下载链接 | 配置文件 |

| MobileNet-V3 | 416 | 8 | 270e | ---- | 29.6 | 下载链接 | 配置文件 |

| MobileNet-V3 | 320 | 8 | 270e | ---- | 27.1 | 下载链接 | 配置文件 |

| MobileNet-V1-SSLD | 608 | 8 | 270e | ---- | 31.0 | 下载链接 | 配置文件 |

| MobileNet-V1-SSLD | 416 | 8 | 270e | ---- | 30.6 | 下载链接 | 配置文件 |

| MobileNet-V1-SSLD | 320 | 8 | 270e | ---- | 28.4 | 下载链接 | 配置文件 |

YOLOv3 on Pasacl VOC：

| 骨架网络 | 输入尺寸 | 每张GPU图片个数 | 学习率策略 | 推理时间(fps) | Box AP | 下载 | 配置文件 |

| — | — | — | — | — | — | — | — |

| MobileNet-V1 | 608 | 8 | 270e | - | 75.2 | 下载链接 | 配置文件 |

| MobileNet-V1 | 416 | 8 | 270e | - | 76.2 | 下载链接 | 配置文件 |

| MobileNet-V1 | 320 | 8 | 270e | - | 74.3 | 下载链接 | 配置文件 |

| MobileNet-V3 | 608 | 8 | 270e | - | 79.6 | 下载链接 | 配置文件 |

| MobileNet-V3 | 416 | 8 | 270e | - | 78.6 | 下载链接 | 配置文件 |

| MobileNet-V3 | 320 | 8 | 270e | - | 76.4 | 下载链接 | 配置文件 |

| MobileNet-V1-SSLD | 608 | 8 | 270e | - | 78.3 | 下载链接 | 配置文件 |

| MobileNet-V1-SSLD | 416 | 8 | 270e | - | 79.6 | 下载链接 | 配置文件 |

| MobileNet-V1-SSLD | 320 | 8 | 270e | - | 77.3 | 下载链接 | 配置文件 |

| MobileNet-V3-SSLD | 608 | 8 | 270e | - | 80.4 | 下载链接 | 配置文件 |

| MobileNet-V3-SSLD | 416 | 8 | 270e | - | 79.2 | 下载链接 | 配置文件 |

| MobileNet-V3-SSLD | 320 | 8 | 270e | - | 77.3 | 下载链接 | 配置文件 |

注意： YOLOv3均使用8GPU训练，训练270个epoch。由于动态图框架整体升级，以下几个PaddleDetection发布的权重模型评估时需要添加–bias字段, 例如：

使用PaddleDetection发布的权重

CUDA_VISIBLE_DEVICES=0 python tools/eval.py -c configs/ppyolo/yolov3_darknet53_270e_coco.yml -o weights=https://paddledet.bj.bcebos.com/models/yolov3_darknet53_270e_coco.pdparams --bias

5.模型导出（python端）

---

第三步骤中得到训练权重模型后，接下来进行python端的模型导出。

代码如下：

导出YOLOv3模型

python tools/export_model.py -c configs/yolov3/yolov3_darknet53_270e_coco.yml --output_dir=./inference_model \

-o weights=weights/yolov3_darknet53_270e_coco.pdparams

配置说明：

导出成功后会出现如下几个文件：

或者其他：

我自己用的：yolov3_darknet53_270e_coco

python tools/export_model.py -c configs/yolov3/yolov3_darknet53_270e_coco.yml --output_dir=./inference_model -o weights=weights/yolov3_darknet53_270e_coco.pdparams TestReader.inputs_def.image_shape=[3,640,640]

我自己用的：cascade_rcnn_dcn_x101_vd_64x4d_fpn_1x_coco

python tools/export_model.py -c configs/dcn/cascade_rcnn_dcn_x101_vd_64x4d_fpn_1x_coco.yml --output_dir=./inference_model -o weights=weights/cascade_rcnn_dcn_x101_vd_64x4d_fpn_1x_coco.pdparams

6.模型预测

---

支持很多种方法的预测，包括：单张图片、文件夹下图片、单个视频、文件夹下视频、实时调用摄像头等。

参数配置如下：

| FLAG | 支持脚本 | 用途 | 默认值 | 备注 |

| — | — | — | — | — |

| -c | ALL | 指定配置文件 | None | 必选，例如-c configs/faster_rcnn/faster_rcnn_r50_fpn_1x_coco.yml |

| -o | ALL | 设置或更改配置文件里的参数内容 | None | 相较于-c设置的配置文件有更高优先级，例如：-o use_gpu=False |

| --eval | train | 是否边训练边测试 | False | 如需指定，直接--eval即可 |

| -r/–resume_checkpoint | train | 恢复训练加载的权重路径 | None | 例如：-r output/faster_rcnn_r50_1x_coco/10000 |

最后我们该如何学习？

1、看视频进行系统学习

这几年的Crud经历，让我明白自己真的算是菜鸡中的战斗机，也正因为Crud，导致自己技术比较零散，也不够深入不够系统，所以重新进行学习是很有必要的。我差的是系统知识，差的结构框架和思路，所以通过视频来学习，效果更好，也更全面。关于视频学习，个人可以推荐去B站进行学习，B站上有很多学习视频，唯一的缺点就是免费的容易过时。

另外，我自己也珍藏了好几套视频资料躺在网盘里，有需要的我也可以分享给你：

2、读源码，看实战笔记，学习大神思路

“编程语言是程序员的表达的方式，而架构是程序员对世界的认知”。所以，程序员要想快速认知并学习架构，读源码是必不可少的。阅读源码，是解决问题 + 理解事物，更重要的：看到源码背后的想法；程序员说：读万行源码，行万种实践。

Spring源码深度解析：

Mybatis 3源码深度解析：

Redis学习笔记：

Spring Boot核心技术-笔记：

3、面试前夕，刷题冲刺

面试的前一周时间内，就可以开始刷题冲刺了。请记住，刷题的时候，技术的优先，算法的看些基本的，比如排序等即可，而智力题，除非是校招，否则一般不怎么会问。

关于面试刷题，我个人也准备了一套系统的面试题，帮助你举一反三：

只有技术过硬，在哪儿都不愁就业，“万般带不去，唯有业随身”学习本来就不是在课堂那几年说了算，而是在人生的旅途中不间断的事情。

人生短暂，别稀里糊涂的活一辈子，不要将就。

本文已被CODING开源项目：【一线大厂Java面试题解析+核心总结学习笔记+最新讲解视频+实战项目源码】收录

需要这份系统化的资料的朋友，可以点击这里获取

举一反三：

[外链图片转存中…(img-QYc7WkWW-1715504575921)]

只有技术过硬，在哪儿都不愁就业，“万般带不去，唯有业随身”学习本来就不是在课堂那几年说了算，而是在人生的旅途中不间断的事情。

人生短暂，别稀里糊涂的活一辈子，不要将就。

本文已被CODING开源项目：【一线大厂Java面试题解析+核心总结学习笔记+最新讲解视频+实战项目源码】收录

需要这份系统化的资料的朋友，可以点击这里获取