![](https://img-blog.csdnimg.cn/20201014180756922.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
嵌入式神经网络
codelxy
这个作者很懒,什么都没留下…
展开
-
YOLOv3: An Incremental Improvement【翻译】
摘要 我们向YOLO提供一些更新!我们做了一些小的设计改动,使之更好。我们还训练了一个相当棒的新网络。比上次大一点,但更准确。不过还是很快,别担心。在320×320的情况下,YOLOv3在22 ms内以28.2 mAP的速度运行,与SSD一样精确,但速度快了3倍。当我们看到旧的.5 IOU地图检测指标YOLOv3是相当不错的。与RetinaNet的57.5ap50in 198 ms相比,在Titan X上实现了57.9ap50in51ms,性能相似,但速度快了3.8倍。一如既往,所有代码都在https://翻译 2020-05-23 17:45:26 · 892 阅读 · 0 评论 -
Optimizing Deep-Learning Inference for Embedded Devices
1.简介 如何解决与在嵌入式设备上部署(推断)人工神经网络(ANNs)相关的不同挑战。 1.1ANNs 1.2训练的挑战 在训练过程中,需要解决网络架构的选择、优化算法、成本函数、数据采集/预处理等问题。由于ANNs有许多形式和变体,所以架构超参数是开发人员修改和提高给定问题的准确性的最简单方法。由于缺乏理论基础和工具,用户通常必须手动探索ANN设计空间,并使用经验标准选择最佳架构(网络深度、层类型、层布局、层大小等)。 一般来说,当不能应用迁移学习(或类似的技术)时,训练深度学习模型是一项耗时且数据密集翻译 2020-05-20 18:14:42 · 256 阅读 · 0 评论 -
基于MACE深度学习框架的落地实践(笔记)
一、为什么要把模型放到移动端 1、用户体验:可用性较高 2、成本:服务器成本较高 3、用户隐私:如语音、视频 二、AI模型开发部署流程 在服务端通过GPU集群的方式进行模型训练,然后把训练好的模型通过模型文件的方式导出,做一些格式转换,再通过移动端深度学习框架部署在移动端智能设备上 三、基于mace的落地实践 1、硬件选型 2、框架适配 通过ONNX格式 3、性能优化 优化瓶颈:如...原创 2020-05-07 20:39:03 · 556 阅读 · 0 评论 -
MobileNets:用于移动视觉应用的高效卷积神经网络
MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications【翻译】 {howarda,menglong,bochen,dkalenichenko,weijunw,weyand,anm,hadam}@google.com 我们提出了一类有效的移动和嵌入式视觉应用模型MobileNets。Mobi...翻译 2020-04-01 00:58:24 · 1662 阅读 · 0 评论