【模型部署】在地平线J3开发板部署YOLOv8模型

最新推荐文章于 2024-07-09 14:44:48 发布
最新推荐文章于 2024-07-09 14:44:48 发布
阅读量452 收藏
点赞数 2
分类专栏： 剪枝 蒸馏 量化 部署 YOLOv8系列 文章标签： 人工智能 目标检测 YOLO
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/m0_51579041/article/details/136687250
版权

To be continue…

BILLY BILLY
关注
专栏目录
订阅专栏
地平线旭日X3开发板GPIO例程使用
bingdund的博客
08-20 274
地平线旭日X3派是一款面向生态开发者的嵌入式AI开发板，接口兼容树莓派，具有5Tops等效算力与4核ARMA53处理能力，能为开发者快速上手提供了全新的硬件基础选择。可同时多路 CameraSensor的输入并支持H264/H265编解码。结合地平线的高性能AI工具链与机器人开发平台，助力嵌入式开发者快速落地解决方案。
地平线3*j3域控方案介绍
汽车电子软件领域知识分享
02-18 3330
地平线3*j3域控制器方案介绍
yolov8 旋转目标检测部署，瑞芯微RKNN芯片部署、地平线Horizon芯片部署、TensorRT部署.zip
09-05
目标检测是计算机视觉领域中的一个重要任务，它旨在从图像或视频中自动检测出目标物体的位置、大小，并进行分类或识别。以下是对目标检测及计算机视觉的详细解析： 一、目标检测的基本概念 定义：目标检测的任务是找出图像中所有感兴趣的目标（物体），确定它们的类别和位置。这包括解决“是什么？”（分类问题）和“在哪里？”（定位问题）两个核心问题。 基本框架：目标检测的基本框架通常包括目标定位、目标分类和目标框回归三个部分。目标定位负责在图像中精确定位目标的位置和大小；目标分类则是将该目标与预先定义的种类进行匹配；目标框回归则是根据预测的位置偏移量修正目标框的位置和大小，以提高检测精度。 二、目标检测的分类 目标检测算法大致可以分为以下几类： 基于传统机器学习的目标检测算法：这类算法主要通过手动提取图像的特征，如颜色、形状、边缘等，然后使用传统的机器学习方法，如支持向量机（SVM）、决策树等进行分类。然而，这类算法需要人工设计特征提取器，且难以适应不同形态的物体检测，因此逐渐被深度学习方法所取代。 基于深度学习的目标检测算法：随着深度学习技术的发展，基于神经网络的目标检测算法逐渐成为主流。这类算法可以自动学习图像的特征，无需人工干预，大大提高了检测的准确率和效率。深度学习目标检测算法主要分为两类：Two-stage和One-stage。 Two-stage算法：先进行区域生成，再通过卷积神经网络进行样本分类。常见的Two-stage算法有R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法：直接在网络中提取特征来预测物体分类和位置，无需区域生成步骤。常见的One-stage算法有YOLO（You Only Look Once）、SSD（Single Shot MultiBox Detector）等。 三、目标检测在计算机视觉中的应用 目标检测在计算机视觉领域有着广泛的应用，包括但不限于以下几个方面： 智能交通：在交通监控系统中，目标检测可用于车辆、行人等目标的检测，帮助交通系统更好地进行交通管理和安全控制。此外，在自动驾驶领域，目标检测也是实现自主驾驶的关键技术之一。 安防监控：在安防领域，目标检测可用于人脸识别、行为分析等方面，提高安防监控的效率和精准度。例如，通过对监控视频中的行人、车辆等进行目标检测，可以实现对安防事件的及时预警处理。 医学影像分析：在医学影像分析领域，目标检测可用于识别CT、MRI等影像数据中的病变区域，辅助医生进行疾病的诊断和治疗。 农业自动化：在农业领域，目标检测可用于果
算法部署-在地平线Horizon芯片上部署YOLOv8-obb旋转目标检测算法-附量化+模型转换+推理代码+效果展示-优质项目
最新发布
10-20
算法部署_在地平线Horizon芯片上部署YOLOv8-obb旋转目标检测算法_附量化+模型转换+推理代码+效果展示_优质项目实战
地平线 J3 智驾方案
汽车电子软件领域知识分享
09-15 5005
文章目录系统架构 系统架构
【地平线 开发板】实现模型转换并在地平线开发板上部署的全过程操作记录(魔改开发包)
计算机视觉方面的点点滴滴，欢迎一起讨论
08-01 2546
PyTorch实现神经网络自制分类数据集的训练并将其部署在地平线旭日3开发板上的全流程。这段时间总感觉心里不太舒服，我只是想在开发板上跑一个分类模型而已，也太费事了吧！最近，我又去学了亿点点，后知后觉，发现这个过程其实还挺简单的，只是自己刚开始学的时候，不会用而已(真香)！为了方便和我水平类似的初级开发者，结合自己之前的经历，把困扰自己的一些问题记录一下。同时，以mobilenetv1分类模型为例，把自己用到的部分从开发包里抽取出来，方便以后快速学习，不用再跳"老远"去调用文件！吃力文件文件夹。...
基于地平线J5/J3部署深度学习模型
xiaomu_347的博客
07-09 375
模型转换的第一步是模型检查，该步骤将分析模型与硬件平台的兼容性。在模型检查阶段，模型将被拆分为适合BPU和CPU运行的子图，理想情况下，我们期望仅存在一个运行在BPU上的子图。在进行ONNX模型转换时，需注意X3硬件架构的特定要求：它仅支持ONNX Opset 11版本，且模型输入维度限定为NCHW或NHWC，同时只支持批次为1的操作。地平线X3硬件平台的BPU单元主要支持INT8，尽管市场上如华为Atlas200 NPU等产品也支持FP16精度，但在以卷积计算主导的网络输出中，这两者间的精度差异并不大。
J3 部署(检测和分割)
@bangbang的博客
06-23 192
【代码】J3 部署(检测和分割)
地平线开发板 调试
luoganttcc的博客
06-23 223
https://blog.csdn.net/Foxproll/article/details/119031033https://zhuanlan.zhihu.com/p/235450643https://blog.csdn.net/hyl1718/article/details/115697490?spm=1001.2101.3001.6661.1&utm_medium=distribute.pc_relevant_t0.none-task-blog-2%7Edefault%7ECTRLIST%7Edefa
地平线X3开发板Intel Realsense深度相机调试记录
bingdund的博客
05-14 1121
终于完成了realsense的SDK编译与使用，这意味着这个新板子可应用在更多的场景。各位可以直接下载编译好的文件，包含C++和Python的库，相关文件已经上传至。下面为设备连接信息，可以看到，当前设备识别的USB接口为3.2接口，这样就可以。跑起来之后，在显示屏上的展示效果如下，能够有效地获取目标的RGBD数据。这里只提供了编译好的一些库，并没有测试，有问题的话欢迎各位指出。同时记录，彩色相机和深度相机支持的配置，方便后续相机分辨率的设置。，在整体的展示过程中，内存耗用200M，CPU几乎占满，
YOLOv8部署在地平线旭日x3
qq_54134410的博客
10-31 1014
进入到horizon_xj3_open_explorer_v1.8.5_20211224\ddk\samples\ai_toolchain\horizon_model_convert_sample\04_detection路径下，创建一个mapper文件夹（个人文件管理，可忽略），再创建一个08_yolov8文件夹（可自行命名）， 在路径下创建onnx_model文件夹，将onnx放入。运行正常的话,保存的图片有检测出的物体。如果你的电脑中以前没用过docker，需要先安装docker。
地平线X3开发板Swap使用说明
bingdund的博客
05-15 193
升级后，开发板NCM/Swap/TUN/TAP等内核都会更新，同时查看系统镜像版本可以看到已经升级到。
地平线X3开发板开发环境搭建
学无止境
04-14 4424
地平线X3开发板开发环境搭建 最近弄了一个地平线X3的开发板回来，看了一下它的测试环境和demo，搭建了一个简单的测试环境，测试了一下自带的face body等例程。以下是详细过程。 开发环境搭建 安装CMAKE 安装CMake 3.15+以上版本。安装方式如下： wget https://github.com/Kitware/CMake/releases/download/v3.17.2/cmake-3.17.2.tar.gz \ && tar -zxvf cmake-3.17.2
地平线 J2&J3了解笔记
热门推荐
汽车电子软件领域知识分享
09-15 1万+
文章目录J2J3（征程®3）J3简介J3 DVB工具链 J2 扩展： BPU：(Branch Processing Unit，分支处理单元)CPU中用来做分支处理的那一个区域。 DDR：DDR=Double Data Rate双倍速率同步动态随机存储器。DDR内存是在SDRAM内存基础上发展而来的，SDRAM在一个时钟周期内只传输一次数据，它是在时钟的上升期进行数据传输;而DDR内存则是一个时钟周期内传输两次次数据，它能够在时钟的上升期和下降期各传输一次数据，因此称为双倍速率同步动态随机存储器。DDR
【X3 input_layout_rt】地平线X3开发板 模型转换期间config.yaml文件中的input_layout_rt踩坑记录
计算机视觉方面的点点滴滴，欢迎一起讨论
05-08 1376
文章目录1 问题描述2 问题分析3 hb_model_verifier验证 quanti onnx 和 bin模型 的一致性4 网络模型本身有问题？5 模型转换工具链使用的问题？6 思考与建议7 附上一些很好的踩坑文章 仅以此文感谢师弟 闪电侠的右手，并记录bug调试过程。 1 问题描述 之前有写过文章：将pytorch生成的onnx模型转换成.bin模型，其中，在获取.bin模型时，把yaml文件中input_parameters:下的input_layout_rt参数设置为NCHW，因为在注释指导中说N
地平线旭日 X3 开发板上手体验
哦豁灬
01-19 1969
最近嫖到一块旭日X3开发板，借此熟悉地平线 AI 芯片旭日 X3 模型部署流程，以及算法工具链。这里基本是跟着进行操作，其中也遇到一些奇怪的问题。
地平线征程5开发平台简介
weixin_41896321的博客
05-18 1万+
地平线征程5开发平台，基于立讯LS500 uSOM基础开发套件。
地平线X3开发版初体验之Hello World
hugh_jackman的博客
04-06 2372
在某位大佬的知道下，开始进入嵌入式AI的坑。以此为背景，最近入手了一块地平线X3开发板，包括一块核心板、一个摄像头、一块充电器，若干连接线。 开发板开发需要交叉编译，为尽快上手，写一个Hello World熟悉一下X3板子的交叉编译工具链，感受一个交叉编译。 首先是配置宿主机环境，我是在虚拟机上开发，安装虚拟机VMware,用的系统是ubantu18.0,下载时使用国内镜像还是很快的。 大佬给了一份已经写好的Hello World代码，一次使用Cmake直接编译即可。 由于mac没有usb接口，所以
智能驾驶的深度神经网络模型嵌入式部署的线路思考
Hali_Botebie的博客
05-20 1823
介绍一下TensorRT的流程， 首先输入是一个预先训练好的FP32的模型和网络，将模型通过parser等方式输入到TensorRT中，TensorRT可以生成一个Serialization，也就是说将输入串流到内存或文件中，形成一个优化好的engine，执行的时候可以调取它来执行推断（Inference）。 用户需要做的是如何将网络输入到TensorRT中。 目前TensorRT支持两种输入方式： 一种是Parser的方式，即模型解析器，输入一个caffe的模型，可以解析出其中的网络层及网络层之间的连
Yolo v5代码及模型量化在地平线AI工具链的应用
3. 地平线AI工具链： 地平线是一家人工智能平台公司，提供从芯片到平台、工具的完整AI解决方案。地平线的AI工具链可能包括模型训练、部署和管理等工具和服务，使得开发者可以轻松地将AI模型应用到终端产品中。 4. ...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

BILLY BILLY

你的奖励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值