24 物体识别

 

下载

 

代码和MobileNet训练模型可以从以下位置下载：

 

https://github.com/djmv/MobilNet_SSD_opencv

http://www.ebenezertechs.com/mobilenet-ssd-using-opencv-3-4-1-deep-learning-module-python/

 

 

https://github.com/djmv/MobilNet_SSD_opencv 

网友加速

 

在Raspberry Pi上设置TensorFlow对象检测API的教程

https://github.com/EdjeElectronics/TensorFlow-Object-Detection-on-the-Raspberry-Pi#6-detect-objects

 

https://github.com/EdjeElectronics/TensorFlow-Object-Detection-on-the-Raspberry-Pi

 https://www.youtube.com/watch?v=gGqVNuYol6o&feature=youtu.be

 

 

 

 

https://blog.csdn.net/weixin_43558453/article/details/85175253

Tensorflow官方提供的本地编译的方式在arm嵌入式设备运行Tensorflow Lite

 

https://blog.csdn.net/weixin_43558453/article/details/86507764

即使是在实时检测并亮灯的时候树莓派的CPU的占用率也65%左右，所以小小的树莓派用Tengine还是有可以继续发掘的潜力的。

如果大家对Tengine框架的性能有兴趣可以参考一下我之前写的那篇文章，关于Tengine和

 

 

树莓派实现目标实时检测opencv-Moblenet

 

Tengine 推断引擎：树莓派也能玩转深度学习

http://shumeipai.nxez.com/2018/12/07/tengine-inference-engine-raspberry-pi-deep-learning.html

 

可以看到单帧耗时有所下降（400ms-700ms），

 

 

 

 

使用opencvd的级联器

https://www.cs.cmu.edu/~efros/courses/LBMV07/Papers/viola-cvpr-01.pdf

转载于:https://www.cnblogs.com/kekeoutlook/p/11286381.html