视频教程-基于海思35xx nnie引擎进行经典目标检测算法模型推理-计算机视觉

最新推荐文章于 2024-01-19 16:34:09 发布
最新推荐文章于 2024-01-19 16:34:09 发布
阅读量581 收藏 3
点赞数
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/weixin_33648832/article/details/106513544
版权
该视频教程由技术总监刘山讲解，深入浅出地介绍了如何在海思35xx nnie引擎上进行Faster RCNN、RFCN、SSD、Mobilenet SSD、Yolov2、Yolov3 tiny等经典目标检测模型的训练、验证和仿真运行。课程覆盖了从模型训练到实际运行的全过程，旨在帮助学员掌握计算机视觉和边缘计算技术。
摘要由CSDN通过智能技术生成
最低0.47元/天 解锁文章
weixin_33648832
关注
基于海思35xx上nnie加速引擎进行yolov3模型推理
08-10
本课程内容分为5个部分： 1.海思35xx SDK资料梳理以及SVP相关文档详细介绍 2.将darknet框架训练出来的yolov3模型转换成caffemodel 3.RuyiStudio工具的安装及其使用4.Windows上仿真代码的运行以及代码分析5.开发板上的sample代码的运行以及代码分析 本课程特色： 1. 不是照本宣科，着力把背后的原理讲清楚。 2. 实用性很强。 目标检测算法是计算机视觉基本任务之一，而YOLOv3则仍然是目前工业界中应用非常广泛的算法模型，从速度、准确度以及易用性的trade-off来看，它目前仍然是最好的算法模型之一。
基于海思35xx nnie引擎进行经典目标检测算法模型推理
10-11
本课程包括下面6个经典目标检测算法模型的讲解： 1.基于自己数据集的Faster RCNN模型训练、验证以及nnie上仿真和运行。2.基于自己数据集的RFCN模型训练、验证以及nnie上仿真和运行。3.基于自己数据集的SSD模型训练、验证以及nnie上仿真和运行。4.基于自己数据集的MobilenetSSD模型训练、验证以及nnie上仿真和运行。5.Yolov2模型验证以及nnie上仿真和运行。6.Yolov3tiny模型验证以及nnie上仿真和运行。本课程特色：1.实用性强，几乎囊括了当前所有经典的目标检测算法模型。2.有深度。从模型框架原理、搭建、训练自己数据集一直讲到模型量化成wk文件、仿真以及开发板上运行。
《基于海思35xx nnie引擎进行经典目标检测算法模型推理》视频课程介绍
ltshan139的专栏
10-20 2845
前言 沉寂两个月，终于将新的视频课程<<基于海思35xx nnie引擎进行经典目标检测算法模型推理>>（其链接为https://edu.csdn.net/course/detail/26420?pre_view=1）发布出来。它可以看成是上一门视频课程<<基于海思35xx上nnie加速引擎进行yolov3算法模型推理>>的姐妹篇。即在SDK和yol...
海思AI芯片(Hi3519A/3559A)方案学习（十三）第一次在hi3519A ARM上运行yolov3模型
热门推荐
ltshan139的专栏
04-23 1万+
前言 前段时间调通了nnie上运行 yolo3模型（darknet->caffe model->wk），但发现精度掉的很厉害，小目标检测根本就不行了（后注：后来发现参数设置有些问题，其实精度不会掉很多，就是比较敏感，容易误识别，但得分不高，所以可以通过提高置信度阈值来解决）。因为我们项目对实时性要求不苛刻，所以转而想直接在arm上运行darknet weights。 运行yolo3...
深度学习实战——模型推理优化（模型压缩与加速）
转载请标明出处，完整项目/代码详见github：https://github.com/yiru1225
05-29 9320
本篇博客主要介绍几种模型推理优化方法的原理，并进行了代码实践与优化（内含代码与数据集）。
算法部署-在海思Hi3519-NNIE上部署YOLOv3目标检测算法-附项目源码-优质项目实战.zip
05-25
在本项目中，我们将深入探讨如何在海思（Hisilicon）Hi3519芯片上利用NNIE（Neural Network Inference Engine）部署YOLOv3目标检测算法。这是一项涉及计算机视觉、嵌入式系统和深度学习的重要实践，对于理解和应用AI...
算法部署-在海思Hi3519上部署YOLOv5目标检测算法-达到实时推理-附项目源码-优质项目实战.zip
最新发布
05-25
在IT行业中，算法部署是一项关键任务，特别是在物联网和嵌入式系统中，它涉及到将复杂的算法，如目标检测模型，优化并移植到特定硬件平台上，以便实现高效、实时的推理能力。本项目聚焦于在海思Hi3519芯片上部署...
基于海思NNIE引擎实现sensor视频识别应用
06-19
三、基于NNIE实现摄像头视频识别的完整应用1）模型量化选项详解2）直接对摄像头输出的视频数据流进行yolov3识别，附上源代码并详细讲解。 四、如何将本课程代码merge到SDK中1）如何将本课程代码merge到SDK中
NNIE精度问题定位步骤.rar
03-20
海思的NNIE精度问题定位步骤 精度损失问题原因很多，但是从我们的开发经验来讲，有80%的问题是因为转换工具配置错误，还有一部分是模型训练的时候有问题，不是工具转换的问题，剩下的才去找海思定位，找海思定位之前需要第三方厂商做好定位素材，请参考《NNIE精度问题定位步骤》请提供数据
计算机视觉（模型、学习和推理）
05-13
计算机视觉（模型、学习和推理）Algorithms算法伪代码 AnswerBookletStudents常见问题 Computer vision models, learning and inference CVMmatlab代码
海思3516dv300部署yolov5
weixin_41012399的博客
10-20 5349
1.用U版pytorch训练：https://github.com/ultralytics/yolov5 如意量化时不支持focus，所以修改结构，把focus层改成卷积层。还可以把上采样改成反卷积。结构如下： # Parameters nc: 1 # number of classes depth_multiple: 0.33 # model depth multiple width_multiple: 0.50 # layer channel multiple #anchors: # - [10
海思AI芯片(Hi3519A/3559A)方案学习（二十五）初识 mapper_quant 和mapper_param
ltshan139的专栏
11-14 2301
前言 当模型量化出现错误或警告时，在排除掉Ruyistudio（一般没有问题）后，可能要检查下caffe model本身的权值参数有什么问题没。 检查caffe model权值的方式 在转换wk前，需要选择log level为Function level，如下所示。 这样，转换wk结束后 就会在xx\HiSVP_PC_Vxxx\software\sample_simulator下面产生...
物体检测移植到海思的板子上_人脸识别部署-人脸检测-海思nnie-hi3559a
weixin_29838739的博客
01-09 574
人脸检测模型：libfacedetection模型开源项目地址：https://github.com/ShiqiYu/libfacedetection （感谢于老师）嵌入式平台：hi3559annie推理时间：10ms1 转模型在项目中可以找到caffe模型，笔者使用的是：yufacedetectnet-open-v2.prototxt和yufacedetectnet-open-v2.caffem...
海思3559A/3519A查看 nnie 推理次数/ddr占用
Tourior的博客
04-24 2099
海思3559A/3519A常看 nnie 推理次数 cat /proc/umap/nnie
常见深度学习算法模型的推理速度横向比较
yyw794的专栏
12-23 1428
pytorch, tensorflow, onnx, tensorrt 格式的横向比较
使用C语言实现模型的推理（一）
ZhaoDongyu_AK47的博客
01-19 1309
因此，我打算用low-level的C语言来实现一套推理引擎，目标是： - 【避繁就简】面向微控制处理器，相对简单的神经网络任务 - 【寸土寸金】占用内存资源最小（ Flash 的 text 段和 data 段）实测比`tflite micro`要小很多 - 【大道至简】全部聚焦于模型推理计算，不做一丝丝多余的操作
【yolov4-tiny】三、NNIE小结
加盐
04-09 2773
序 【yolov4-tiny】一、darknet-＞caffe 【yolov4-tiny】二、pytorch-＞onnx-＞caffe 前文使用两种途径将yolov4-tiny转为caffe，此后只需根据海思的HiSVP开发指南.pdf操作将caffe转为nnie，本文记录几点注意事项： 1、输入预处理 nnie_mapper 配置选项中配置了输入图片归一化的话，不需要在模型代码中自己再写一遍归一化。 nnie模型的默认输入为BGR格式，nnie_mapper 配置选项中配置了 RGB 的话模型会自己进行一
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
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