yolov8在3588板子c++推理报错

do ｛｝while；

于 2024-07-25 20:22:04 发布

阅读量32

点赞数

文章标签： YOLO

本文链接：https://blog.csdn.net/qq_66230283/article/details/140699128

版权

我用瑞芯微github提供的yolov8n.onnx转rknn是没问题的，在板子上编译也没问题，但是一推理就报bug

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

do ｛｝while；

关注关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
yolov8在3588板子c++推理报错

我用瑞芯微github提供的yolov8n.onnx转rknn是没问题的，在板子上编译也没问题，但是一推理就报bug。
复制链接

扫一扫

rk3588推理yolov5代码

12-22

在rk3588上使用rknn-toolkit-lite推理自己训练的yolov5的模型。此代码只能运行在板子上，具体yolov5的训练过程以及如何导出rknn模型以及如何部署，请参考帖子...

YOLOv3移植部署海思3516DV300板子c++源码(含wk模型+CV库+项目使用说明).zip

05-31

YOLOv3移植部署海思3516DV300板子c++源码(含wk模型+CV库+项目使用说明).zip 海思Hi3516DV300移植YOLOv3 在海思Hisilicon的Hi3516dv300芯片上，利用nnie和opencv库，简洁了官方yolov3用例中各种复杂的嵌套调用/复杂...

参与评论您还未登录，请先登录后发表或查看评论

c++板子、算法、题解

07-19

C++是一种广泛应用于系统软件、应用软件、游戏开发、嵌入式系统以及算法实现的编程语言。这个压缩包文件显然包含了与C++编程、算法学习和解题相关的资源，包括源代码（cpp）、可执行文件（exe）以及文档（markdown）...

无人机识别项目,无人机搭载nvidia jetson边缘计算板子,进行实时识别

07-26

使用yolov8算法，训练了识别无人机的模型，模型可以更换。 jetson上电,程序自动启动拉取rtsp或者usb获取视频流,每秒获取3张图片进行算法分析,算法分析之前每3秒保存一张图片, 每5秒保存一张识别后图片,同时识别后的...

Nucleus系统在TQ2440板子上的移植

01-12

《Nucleus系统在TQ2440板子上的移植》 Nucleus系统，一个实时操作系统（RTOS），被广泛应用于嵌入式系统中，以其高效、可靠和可定制的特性著称。TQ2440开发板是基于Samsung S3C2440处理器的一款常用开发平台，它...

Yolo-World网络模型结构及原理分析（二）——文本编码器

ITdaka的博客

07-20

697

文本编码器部分主要负责将文本信息转换为可用于模型进一步处理的嵌入表示

特征融合篇 | YOLOv5/v7 更换上采样方式 | 最近邻 / 双线性 / 双立方 / 三线性 / 转置卷积

weixin_39818775的博客

07-20

781

在目标检测模型中，特征融合是至关重要的一步，它将来自不同尺度的特征进行融合，以获得更丰富的语义信息和更强的表达能力。传统的 YOLOv5 和 YOLOv7 模型使用最近邻插值作为上采样方式来进行特征融合，但这种方法存在精度较低、易产生伪影等问题。为了提高特征融合的精度，本文提出了一种新的方案，即使用不同的上采样方式来替换 YOLOv5 和 YOLOv7 中的最近邻插值。本文将介绍几种常用的上采样方式，包括双线性插值、双立方插值、三线性插值和转置卷积，并详细分析它们的原理、优缺点和应用场景。

【YOLOv10[基础]】热力图可视化实践① | 支持视频热力图 | 密度热力图 | 论文必备

静谧、淡雅

07-22

2743

热力图可视化实践① | 支持视频热力图 | 密度热力图 | 论文必备

YOLO训练过程日志，数值都小于1原因？

weixin_52236586的博客

07-24

252

在YOLO等目标检测模型中，总损失是多个损失项的组合。通常，总损失会进行归一化以平衡各个损失项的影响。这种组合的归一化处理通常会使总损失值较小，但它提供了一个有效的衡量标准来评估模型的整体性能。总之，损失值小于1是正常的，归一化处理是为了确保训练过程中的稳定性和有效性。关注损失值的变化趋势比关注绝对值更为重要，这样可以更好地了解模型的训练情况。如果你的YOLOv5训练日志显示损失值如。

python：本机摄像头目标检测实时推理（使用YOLOv8n模型）

yyyyyyyyyyy_9的博客

07-21

498

本文将介绍如何使用本机摄像头进行目标检测实时推理的python代码。

基于YOLO8的目标检测系统：开启智能视觉识别之旅

weixin_44063529的博客

07-19

1615

在人工智能和机器学习的浪潮中，YOLO8作为目标检测领域的一颗新星，以其卓越的性能和灵活性，受到了广泛关注。本项目基于YOLO8算法，构建了一个高效、易用的目标检测系统，旨在为用户提供一个强大的本地部署解决方案。

yolov3 ImageNet 预训练权重下载

qq_46396470的博客

07-22

149

记得一定要翻到页面最底下的Assets那里才能看到这些权重。

2 YOLO8的使用

最新发布

qq_28611929的博客

07-24

537

yolo8

YOLOv8高效涨点之改进DAMOYOLO结构

qq_53545309的博客

07-23

659

论文地址：2211.15444 (arxiv.org)DAMO-YOLO的介绍与性能：技术细节：模型规模与应用：轻量级模型：性能对比：首先在ultralytics/nn文件夹下，创建一个cretonext.py文件，新增以下代码 YOLOv8 修改部分修改部分第一步：在文件中然后在在中配置找到在这句上面加一个 YOLOv8网络配置文件新增以下配置yaml文件yolov8_damoyolo.yaml

实时吸烟检测系统：基于深度学习与YOLO模型的完整实现

a871923942的博客

07-19

728

该系统包含一个用户界面，利用YOLO（You Only Look Once）v8/v7/v6/v5模型进行吸烟检测，并提供了完整的实现步骤和代码。本文介绍了一个基于深度学习的吸烟检测系统，详细描述了从数据收集和标注、模型训练、系统实现到用户界面设计的全过程。通过结合YOLO模型和PyQt5，我们可以实现一个实时、精确的吸烟检测系统，为公共场所的吸烟行为管理提供有力支持。为了训练一个高精度的吸烟检测模型，我们需要一个包含大量吸烟和非吸烟图片的数据集。利用训练好的模型进行吸烟检测，并实现视频流的实时检测。

YoloV8改进策略：卷积篇|Kan行天下之ReluKan

m0_47867638的博客

07-20

411

本文介绍了一种名为ReLU-KAN的新型架构，该架构使用新型基础函数替换了KAN中的B样条。此外，ReLU-KAN实现了全矩阵运算，显著提高了训练速度。实验结果表明，ReLU-KAN在训练速度、拟合能力和稳定性方面均优于KAN。在未来的工作中，我们计划将ReLU-KAN应用于卷积和Transformer架构中，以研究其在不牺牲模型性能的情况下减少参数的潜力。

YOLOv8高效涨点之改进主干RepLKNet

qq_53545309的博客

07-24

335

这篇文章讨论了在现代卷积神经网络（CNN）设计中使用大卷积核的优势，并提出了一种新的CNN架构RepLKNet。：文章提出使用大卷积核（例如31×31）而不是传统的小卷积核（如3×3）可以提供更强大的特征提取能力。：这种设计思路受到了Vision Transformer（ViT）等最新进展的启发。：文章提出了五个设计指导方针，包括应用重新参数化、大深度卷积等，以设计出性能高效的大核CNN。：基于这些指导方针，提出了RepLKNet，这是一个纯CNN架构，其核心特点是使用31×31的大卷积核。

yolov8 关键点pose自有数据集训练

weixin_42357472的博客

07-23

363

yolo标注信息 txt格式。

【YOLOv10[基础]】热力图可视化实践② | 支持图像热力图 | 论文必备

静谧、淡雅

07-22

429

热力图可视化实践②| 支持图像热力图 | 密度热力图 | 论文必备

yolov5.rknn文件rk3588板子上报错，segmentation fault

07-12

YOLOv5是一个流行的物体检测模型，而rknn是将深度学习模型转化为能在嵌入式设备上运行的工具，比如RK3588是一款ARM架构的芯片。如果在使用rknn将YOLOv5模型部署到RK3588板子上时遇到"segmentation fault"（内存访问错误），这通常意味着程序试图访问无效的内存地址，可能是由于以下几个原因： 1. **内存不足**： RK3588板子的内存资源有限，可能不足以承载大模型的全部计算需求，导致分配给模型的内存被错误地访问。 2. **兼容性问题**：rknn在迁移模型过程中可能存在与RK3588硬件、驱动或软件栈不兼容的地方。 3. **数据格式错误**：输入数据预处理不正确，可能会导致模型预期的数据结构出错，引发内存异常。 4. **代码bug**：rknn转换后的代码可能存在未调试好的bug，尤其是在模型加载或执行阶段。要解决这个问题，你可以尝试以下步骤： - 检查模型大小是否超过了板子的内存限制，如有必要，可以优化模型大小或减少模型复杂度。 - 确保rknn工具链与RK3588的配置和驱动是最新的，并且与YOLOv5的版本兼容。 - 仔细检查输入数据的格式和预处理流程，确保它们与模型的要求一致。 - 分步调试，查看报错的位置和上下文，以便定位问题根源。