OrangePi AIpro 机器人仿真与人工智能应用测评

已于 2024-07-07 09:41:12 修改
阅读量874 收藏 25
点赞数 19
分类专栏： 树莓派 & Jetson 文章标签： 人工智能 机器人 控制工程 香橙派 树莓派 华为 ROS
于 2024-06-14 10:58:16 首次发布
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_46300916/article/details/139675932
版权

系列文章目录

 

前言

 

本篇文章分为2个部分，第一部分主要搭建了机器人的仿真环境（ROS2 MuJoCo等），运行了机械臂及移动机器人相关示例程序；第二部分运行了OrangePi AIpro系统自带的示例程序及昇腾社区官方的示例程序；最后总结使用体验

一、  开发板软硬件

 

1.1 硬件介绍及准备

这里我找了几块开发板，左边为树莓派4B及树莓派5B，中间为OrangePi AIpro，右上为华硕的Tinker Board，右下为英伟达的Jetson Nano。

1880e34a15af404cab20786027868eb2.jpeg

 

1.1.1 硬件介绍

官方的宣传页如下：

Orange Pi AIpro Orange Pi官网-香橙派（Orange Pi）开发板,开源硬件,开源软件,开源芯片,电脑键盘

从宣传页可知，OrangePi AIpro主要强调了的人工智能性能及应用，详细信息可在上述链接内查看。官方介绍OrangePi AIpro可广泛适用于AI边缘计算、深度视觉学习及视频流AI分析、视频图像分析、自然语言处理、智能小车、机械臂、人工智能、无人机、云计算、AR/VR、智能安防、智能家居等领域，覆盖 AIoT各个行业。

我这里主要应用于机器人仿真，即智能小车，机械臂，四足机器人、人形机器人、无人机等领域。后面结合官方及昇腾社区的示例运行相关人工智能的应用。

1.1.2 开发板对比

这里我主要对比OrangePi AIpro、Jetson Nano及Raspberrypi 5B，三块开发板的硬件参数如下所示：

 

 

OrangePi AIpro

Jetson Nano

Raspberrypi 5B

CPU

4核64位处理器+ AI处理器

Quad-core ARM® Cortex®-A57 MPCore processor

2.4GHz 四核 64 位 Arm Cortex-A76 CPU

 

GPU

集成图形处理器

128-core NVIDIA Maxwell™ architecture GPU

VideoCore VII GPU，支持 OpenGL ES 3.1 和 Vulkan 1.2

 

AI算力

8TOPS算力

0.472TOPS算力

 

内存

LPDDR4X：8GB/16GB（可选），速率：3200Mbps

4GB 64-bit LPDDR4

25.6GB/s

LPDDR4X：4GB/8GB（可选）

存储

• SPI FLASH：32MB

• SATA/NVME SSD（M.2接口2280）

• eMMC插槽：32GB/64GB/128GB/256GB（可选），eMMC5.1 HS400

• TF插槽

16GB eMMC 5.1

高速 microSD 卡接口，支持 SDR104 模式

用于快速外设的 PCIe 2.0 x1 接口

 

 

WIFI+蓝牙

Wi-Fi 5双频2.4G和5G

BT4.2/BLE

1x GbE

双频 802.11ac Wi-Fi®

蓝牙 5.0 / 低功耗蓝牙 (BLE)

 

 

以太网收发器

10/100/1000Mbps以太网

1000Mbps以太网

 

千兆以太网，支持 PoE+

 

显示

• 2xHDMI2.0 Type-A TX 4K@60FPS

• 1x2 lane MIPI DSI via FPC connector

2 multi-mode DP 1.2/eDP 1.4/HDMI 2.0

1 x2 DSI (1.5Gbps/lane)

双 4Kp60 HDMI® 显示输出

 

摄像头

2x2-lane MIPI CSI camera interface，兼容树莓派摄像头

Up to 4 cameras

12 lanes MIPI CSI-2

D-PHY 1.1 (up to 18 Gbps)

2 × 4 通道 MIPI 摄像头/显示器收发器

 

USB

• USB 3.0 HOST x2

• USB Type-C 3.0 HOST x1

• Micro USB x1 串口打印功能

1x USB 3.0 (5 Gbps)

3x USB 2.0

2 × USB 3.0 端口，支持 5Gbps 同步运行

2 × USB 2.0 端口

 

音频

3.5mm耳机孔音频输入/输出

 

 

按键

1x关机键、1xRESET键、2x启动方式拨动键、1x烧录按键

 

电源按钮

 

40PIN

40PIN 功能扩展接口，支持以下接口类型：

GPIO、UART、I2C、SPI、 I2S、PWM

3x UART, 2x SPI, 2x I2S, 4x I2C, GPIOs

Raspberry Pi 标准 40 引脚 GPIO 接头

 

风扇

风扇接口x1

风扇接口x1

 

风扇接口x1

 

预留接口

2PIN电池接口

 

 

电源

Type-C PD 20V IN ，标准65W

5W - 10W

27W USB-C 电源

支持的操作系统

Ubuntu、openEuler

Ubuntu（Jetpack）

Ubuntu 等

产品尺寸

107*68mm

69.6mm x 45mm

260-pin SO-DIMM connector

85*56mm

重量

82g

140g

50g

 

 

上述对比表可知，OrangePi AIpro的AI算力确实强大，并且其他参数与Jetson Nano、树莓派5B等不相上下，为高性价比产品。

1.1.3 硬件准备

之前我使用过jetson nano以及树莓派5B，所以深知TF卡对于控制板整体性能的影响。因此按照官方的提示买了500G的三星固态硬盘（价格为450元左右）及硬盘盒（价格为90元左右），如图，将固态硬盘固定在OrangePi AIpro上。

 

 

757371a6e3da415abb7915f5d3d2033d.jpegdc7235834b004fabbb5f5e891b826101.jpeg

此外，为方便携带，在官方买了金属外壳（价格100元左右），如图所示参考官方说明文档将OrangePi AIpro安装在金属外壳内。

b9a0bdaa59174c9fa2a54e3a4cfe8d2a.jpeg340b8b7a93ab4472bc22887f7642ea64.jpeg

连接电源线，显示屏线，键盘及鼠标线即可。

12ece68b2e6c4765a5a20689e64ee17d.jpeg0f8e8ce32cfe4d4c96f5e97f342c5694.jpeg8cf0c369989f4694bc48559c434909d2.jpeg

实际运行过程中发现OrangePi AIpro发热较为严重，因此买了额外的风扇散热，整体散热效果良好。

测试发现CSI摄像头没有反应，使用不了，官方文档说明是Linux系统未适配驱动，我这儿有一个奥比中光的深度相机，暂时用来采集数据，硬件连接如图所示。

79c25d53e4bd43889af3a1c4ea3f9bf0.jpeg

1.2 软件介绍及准备

首先需要将系统通过TF卡烧录至SSD中，然后按照官方文档说明将拨码开关拨至对应位置即可。系统启动界面如图所示：

 

 

2c918fb06a534e7786be34b1e37c7ad4.jpeg

官方的镜像xfce桌面的bash没有补全功能，需要安装命令行补全功能包：

 

sudo apt install bash-completion

 

xfce桌面为轻量级桌面，占用资源少，但是外观并不好看，因此我切换桌面系统至 Ubuntu 原始桌面，选择gdm桌面即可：

效果如下：

dd23ebb8a38546d78231b930cc80edd2.png53c93c7f2f8b456fb0deb50b00527ebe.png

注意：切换后桌面会有卡顿，不要安装 ubuntu-desktop ，否则不能启动桌面，盲猜与显卡有关。

更改密码，系统自带的密码过于繁琐，我们可以使用sudo passwd命令更改密码，我将密码更改为q，特别方便运行命令。

系统自带了Python 包管理器Anaconda，查看Python版本，结果如下：

88115833e78341c499aa855abbe25d4a.png

 

1.2.1 换源

1.2.1.1 更换 Ubuntu Ports 源

华为云之前没有用过，不知道速度如何，换为中科大（ustc）镜像源，参考官网步骤如下：

使用 vim 打开 /etc/apt/sources.list 文件删除内容，可使用 dd 命令，然后粘贴如下内容：

 

# 默认注释了源码仓库，如有需要可自行取消注释
deb https://mirrors.ustc.edu.cn/ubuntu-ports/ jammy main restricted universe multiverse
# deb-src https://mirrors.ustc.edu.cn/ubuntu-ports/ jammy main restricted universe multiverse

deb https://mirrors.ustc.edu.cn/ubuntu-ports/ jammy-security main restricted universe multiverse
# deb-src https://mirrors.ustc.edu.cn/ubuntu-ports/ jammy-security main restricted universe multiverse

deb https://mirrors.ustc.edu.cn/ubuntu-ports/ jammy-updates main restricted universe multiverse
# deb-src https://mirrors.ustc.edu.cn/ubuntu-ports/ jammy-updates main restricted universe multiverse

deb https://mirrors.ustc.edu.cn/ubuntu-ports/ jammy-backports main restricted universe multiverse
# deb-src https://mirrors.ustc.edu.cn/ubuntu-ports/ jammy-backports main restricted universe multiverse

# 预发布软件源，不建议启用
# deb https://mirrors.ustc.edu.cn/ubuntu-ports/ jammy-proposed main restricted universe multiverse
# deb-src https://mirrors.ustc.edu.cn/ubuntu-ports/ jammy-proposed main restricted universe multiverse

 

随后更新源并且更新可更新的软件包。

 

 

1.2.1.2 更换pip源

升级 pip 到最新的版本 (>=10.0.0) 后进行配置：

 

# 使用本镜像站来升级 pip
pip install -i https://mirrors.ustc.edu.cn/pypi/web/simple pip -U
pip config set global.index-url https://mirrors.ustc.edu.cn/pypi/web/simple

 

1.2.1.3 更换conda源

按照清华源说明，执行命令：

 

conda config --set show_channel_urls yes

 

用户目录下产生.condarc文件，将以下内容覆盖原内容：

 

channels:
  - defaults
show_channel_urls: true
default_channels:
  - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main
  - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/r
  - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/msys2
custom_channels:
  conda-forge: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  msys2: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  bioconda: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  menpo: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  pytorch: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  pytorch-lts: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  simpleitk: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  deepmodeling: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/

 

1.2.1.4 更换ROS2 源

导入 key:

 

sudo apt install curl gnupg2
sudo curl -sSL https://raw.githubusercontent.com/ros/rosdistro/master/ros.key  -o /usr/share/keyrings/ros-archive-keyring.gpg

 

将软件源添加至系统：

 

echo "deb [arch=$(dpkg --print-architecture) signed-by=/usr/share/keyrings/ros-archive-keyring.gpg] https://mirrors.tuna.tsinghua.edu.cn/ros2/ubuntu jammy main" | sudo tee /etc/apt/sources.list.d/ros2.list > /dev/null

sudo apt update

 

刷新软件源缓存 sudo apt update，安装所需的 ROS2 发行版。

1.2.2 安装必备软件

1.2.2.1 安装QQ

至QQ官网下载arm64安装包，使用dpkg安装即可

c9cddf366ac3443bb3178f84886cd123.png

1.2.2.2 安装 腾讯文档

同理至官网下载arm64安装包

9e87a470e3784799afa2d38c1332e3fc.png

1.2.2.3 安装代码编辑器vscode

同理至官网下载arm64安装包。

1.2.2.4 安装ROS2

我这里安装ros-iron-desktop-full，安装完成后进行测试

fa05ef3f403444b781ad18acdbd32432.png

1.2.2.5 安装动力学库及仿真器

动力学库及仿真器通过conda安装，命令如下：

 

   conda install crocoddyl pinocchio mujoco -c conda-forge

 

 

1.3 测试相机

使用Ubuntu自带的cheese测试相机使用是否正常，测试结果如图所示。

6cd7cbd271d4454d96784b89c94ebb08.png

ee50945d1f5e45a2bdc7c09e83edbea9.jpeg

二、  机器人仿真开发

2.1基于 ROS 平台的机器人仿真

基于ROS的仿真我这里主要进行ROS2 MoveIt机械臂仿真及turtlebot相关运动机器人导航仿真。

2.1.1 机械臂仿真

2.1.1.1 MoveIt介绍

MoveIt是ROS社区下开源的机械臂运行规划库，主要可完成机械臂运动规划、碰撞检测，功能包内还集成了几种开源的运动规划库，可以用来开发机械臂，或者控制现有的机械臂，在机器人领域应用十分广泛。其功能框架如图所示。

b1b87e4c39854a3f838300eb6bc6aca3.png

2.1.1.2 机械臂仿真环境搭建

按照MoveIt官网教程安装相应的库并编译，步骤如下所示：

创建 Colcon 工作区并下载教程

要获取教程，您需要设置一个 Colcon 工作区。

 

mkdir -p ~/ws_moveit/src

 

下载 MoveIt 源代码及教程

移动到 Colcon 工作区，提取 MoveIt 教程源代码：

 

cd ~/ws_moveit/src
git clone https://github.com/ros-planning/moveit2_tutorials

 

接下来，我们将下载 MoveIt 其他部分的源代码：

 

vcs import < moveit2_tutorials/moveit2_tutorials.repos

 

导入命令可能会要求输入 GitHub 认证信息。你可以直接按 Enter 直到它继续（忽略 "Authentication failed"（验证失败）错误）。

 

构建 Colcon 工作区

以下步骤将从 Debian 安装工作区中尚未安装的任何依赖包。这一步将安装 MoveIt 及其所有依赖包：

 

sudo apt update && rosdep install -r --from-paths . --ignore-src --rosdistro $ROS_DISTRO -y

 

下一条命令将配置 Colcon 工作区：

 

cd ~/ws_moveit
colcon build --mixin release

 

这个构建命令可能需要很长时间（20 多分钟），这取决于你的电脑速度和可用内存量（我们建议 32 GB）。

实际在OrangePi AIpro编译需要数小时，中间需要解决一些依赖问题。

2.1.1.3 示例程序运行

参考MoveIt官网搭建运行环境，下载并编译相关功能包，运行程序即可运行机械臂轨迹规划功能包：

 

ros2 launch moveit2_tutorials demo.launch.py

 

c79059fb97064350bb4ca4b36334358e.pnge2519bea3fb243d0b5584033d17f2f99.jpeg

因为启动了RVIZ及其GUI界面，所以运行稍微有些卡顿，若不启动GUI界面，实际作为机械臂控制器使用时完全没有问题。

我们还可以打开ROS生态下的Gazebo，运行示例程序，如图所示为机械臂工作台示例。我们可以通过GUI界面操作机械臂的各个关节运行，后续有科研或者工业需要可以与其他开源ROS功能包一起使用完成相关功能。

d62ac5255f6643a79d11d5e9700cdaeb.png

2.1.2 移动机器人仿真

2.1.2.1 Turtlebot4 机器人仿真

Turtlebot4是开源的ROS2机器人，clearpath公司开发的面向教育的机器人产品，自身携带丰富的传感器，配套的开源软件也很丰富，唯一的缺点就是很贵（10000元+），但是我们可以安装仿真器，在仿真器中体验使用Turtlebot4。官方做的仿真场景是在工厂中，机器人通过自身携带的思岚激光雷达进行二维建图及导航，我们可以使用虚拟手柄操作机器人运行。

按照官方说明文档安装仿真器，步骤如下：

 

ros2 launch turtlebot4_ignition_bringup turtlebot4_ignition.launch.py slam:=true nav2:=true rviz:=true

 

命令行运行仿真程序效果如下：

ed7cd1302fd4436f9ee6d24a82d74bbb.png

通过GUI 界面操作机器人，RVIZ界面则显示二维激光雷达所建地图。

8f190f8f3b21435b94ab73f97a417c6f.png

使用rqt_graph查看节点图：

0f9e6c8d4b844e64807161d26ca2b4b9.png

2.2基于开源动力学库及开源仿真器MuJoCo平台的机器人仿真

按照官网的说明安装好开源的动力学库及MuJoCo

2.2.1 MuJoCo 人形机器人LQR控制程序

这里运行了官方提供的示例程序，主要功能是控制人形机器人单脚站立，使用线性二次型规划控制。运行效果如图所示。

程序主要包括加载机器人模型并渲染展示，建立机器人动力学模型，并在指定位置线性化及离散化，设计LQR控制器，最后施加干扰并渲染完成控制。

6cbc137511d24ae5a60118fd7e2e308a.png

da433e3f45fb4017b69e552fcc48faee.png

2.2.2 使用开源动力学库

这里使用开源的动力学库pinocchio，运行官方示例程序加载机器人，效果如图所示：

2f86002baa88482ab865ee2843b75cc3.jpeg

主要加载了几种不同种类的机器人，如人形机器人，移动机械臂，四足机器人，无人机。

三、  人工智能应用开发

3.1 官方示例

3.1.1 YOLO5s示例适合部署在边缘设备上

按照官方说明运行Yolo5s示例程序，图像来源使用奥比中光采集的图像，运行效果如图所示，可以看出算法检测出泰迪熊及时钟并给出了相应的置信度。

a863810809914a659e8355abff6b5c8b.png

3.1.2 OCR识别

同样按照示例程序进行，我这里的图片是从昇腾社区官网截取，结果如图所示，能够识别出字符。

9f9c6676938f4272b0025ef4fd0a8d17.png

 

ea17f5126aed4991becbde1711bd07ee.png

系统内还有丰富的示例可以运行，我这里不做演示。

3.2 昇腾社区示例

3.2.1 生成式扩散模型示例

官方说明系统内自带MindSpore开发工具链，至官网下载如下示例程序测试AI性能：

69035e968cea43e7a7c4de830e1b0304.png

这里测试的是扩散模型，隶属于生成式，示例十分丰富，感兴趣可以至官网下载相关示例程序运行测试。

65804cfc95224b19ae5ef9311c6d0477.png

0a68959c054540dfafb1764c601b768b.png

a7c903ffef0641d88ee675e27a03c216.png

c17ae86ed58540429871a9c89401ba7f.png

四、  总结

4.1 使用总结

本文在OrangePi AIpro开发板上搭建了机器人开发环境（ROS及仿真器等），测试了机械臂运行规划及移动机器人建图示例，之后运行了系统内置的AI示例及昇腾社区Mindspore示例。

个人认为OrangePi AIpro的算力及性价比在目前的嵌入式开发板中算相对较高的，环境搭建相对来讲也并不复杂。特别是系统集成了华为的Mindspore工具链，适合在边缘 嵌入式设备中加速AI计算。

目前没有测试相关GPIO（如I2C，SPI等）接口，若OrangePi AIpro的GPIO接口的性能足够（比如传输速率等），个人觉得作为机器人主控完全足够，后续也可以在机器人基础上继续开发相应的AI功能。

4.2 调试总结

至此，本文已经结束了。硬件方面，在拿到开发板之前我买好了相应的硬件（包括外壳，SSD，烧录器，硬盘盒等）；软件方面，在编译ROS MoveIt功能包源码时由于MoveIt本身复杂程度高，耗费了挺长的时间（大概几个小时）。由于时间有限，运行AI示例数量有限。大部分工作为晚上10点至凌晨3点之间完成。

如有错误，请指正！

 

kuan_li_lyg
关注
  • 19
    点赞
  • 踩
  • 25
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
香橙派AIpro开发板开箱测评
m0_71340392的博客
03-11 967
2023年12月，香橙派联合华为发布了基于昇腾的Orange Pi AIpro开发板，提供8/20TOPS澎湃算力，能覆盖生态开发板者的主流应用场景，让用户实践各种创新场景，并为其提供配套的软硬件。香橙派AIpro开发板一经发布便吸引了众多AI创客们的购买和体验，这款开发版到底长什么样？到底有哪些优势？具体开放了哪些外设接口？搭载昇腾AI处理器后跑AI推理性能咋样...
Crocoddyl是接触顺序下机器人控制的最佳控制库。 它的求解器基于各种高效的类似于差分动态编程（DDP）的算法-C/C++开发
05-26
Crocoddyl是接触顺序下机器人控制的最佳控制库。 它的求解器基于各种有效的类似于差分动态编程（DDP）的算法，通过差分动态编程库（crocoddyl）与RObot COntrol联系。简介Crocoddyl是接触序列下机器人控制的最佳控制库。 它的求解器基于新颖有效的差分动态规划（DDP）算法。 Crocoddyl计算最佳轨迹以及最佳反馈增益。 它使用Pinocchio快速计算机器人动力学及其解析导数。 源代码在BSD 3-条款下发布
树莓派3B+movidius NCS构建自动驾驶小车
qq_34340111的博客
02-23 3376
       代码链接在文中,邮箱b1641391@163.com        本人一直以来对无人机以及机器人、自动驾驶感兴趣。作为一个创客爱好者趁着寒假闲来无事，利用手头积攒的一些开源硬件想制作一个无人驾驶小车。经历了两个礼拜的工作后，初步实现了车辆控制、避障、目标检测与识别、跟踪等功能。本文将从总体方案、小车控制、目标检测与识别、避障方法五个方面来介绍我的工作。 1.总体方案 1.1硬...
OrangePi AIpro评测 - AI服务篇
迷宫中的我
05-27 1157
●windows电脑●路由器之前我已经对OrangePi AIpro进行了些嵌入式基本操作的评测。接下来进行AI部分。来看看华为昇腾的特别之处。
Crocoddyl - 多接触最优控制的高效多功能框架
weixin_46300916的博客
12-17 2198
我们介绍了 Crocoddyl（Contact RObot COntrol by Differential DYnamic Library），这是一个专为高效多触点优化控制（multi-contact optimal control）而定制的开源框架。Crocoddyl 可高效计算给定预定义接触序列（predefined sequence of contacts）的状态轨迹（state trajectory）和控制策略（control policy）。
Orange - 基于OpenResty的API Gateway
weixin_33785108的博客
03-24 518
Orange Orange是一个基于OpenResty的API Gateway，提供API及自定义规则的监控和管理，如访问统计、流量切分、API重定向、WEB防火墙等功能。它有以下特性： 配置项支持文件存储和MySQL存储(0.2.0版本开始将去除文件支持) 通过MySQL存储来简单支持集群部署 支持多种条件匹配和变量提取 支持通过自定...
orangepi-aipro镜像导出脚本
02-20
总之，“orangepi-aipro镜像导出脚本”是Orange Pi AI Pro用户进行系统管理和开发的强大工具，它简化了镜像处理的过程，提高了工作效率。通过学习和掌握这个脚本的使用，用户可以在Linux环境中更高效地进行设备管理...
基于Orange Pi AIpro的OpenGL 3D 性能展示程序
05-23
Orange Pi AIpro是一款集成了高性能处理器和GPU的设备，非常适合进行图形密集型应用的开发。 首先，让我们了解一下OpenGL。OpenGL是一个开放标准，由Khronos Group维护，它提供了一个标准化的API，使开发者能够利用...
Orange Pi AI Pro用户手册
07-15
Orange Pi AIpro单板计算机，新手入门，用户手册。
一个比较靠谱的图标编辑工具 aipro（带破解）
12-27
找了这么，这个最好，而且安装和破解都很简单，支持win10
AiPro:自行车安全系统
03-11
Shah X Connect 是这个创新项目背后的团队，他们致力于将人工智能与物联网技术相结合，打造了一款名为AiPro的自行车安全系统。该系统不仅能够实时监控骑行环境，还能通过智能分析预测潜在的危险情况，从而提供及时的...
C/C++开发，opencv内置背景减除算法与运动检测
技术需要分享
08-14 1113
C/C++开发，opencv内置背景减除算法的完整代码及编译过程示例
机器学习常用包numpy篇（零）前置知识·数值类型
2301_79144343的博客
08-14 389
本文仅介绍numpy中的数值类型
Spark MLlib 特征工程(上)
08-14 4059
特征选择的动机，在于提取与预测标的关联度更高的特征，从而精简模型尺寸、提升模型泛化能力。特征选择可以从两方面入手，业务出发的专家经验和基于数据的统计分析。归一化的目的，在于去掉不同特征之间量纲的影响，避免量纲不一致而导致的梯度下降震荡、模型收敛效率低下等问题。归一化的具体做法，是把不同特征都缩放到同一个值域。在这方面，Spark MLlib 提供了多种归一化方法供开发者选择。
GraphRAG：复杂查询的知识图谱新框架
YeJuliaLi的博客
08-14 901
微软最近发布了名为 GraphRAG（Graphs + Retrieval Augmented Generation）的创新 RAG 框架，这是一个将文本提取、语义网络分析，与大语言模型（LLM）的提示和总结功能结合在一起的端到端系统，用于深入理解文本数据集。在对私有数据中的复杂文本信息进行文档分析时，GrahRAG 使用 LLM 生成的知识图谱来大幅提高问答性能。这里的私有数据集是指 LLM 没...
Denosing && RayDN-对同一射线的误检测优化
最新发布
zisuina_2的博客
08-16 399
Denosing操作理解DN-DETR增加denosing操作，帮助快速拟合，提高了目标检测任务中的效率和精度。通过这种方式，DN-DETR 克服了原始 DETR 的一些限制，使其在实际应用中具有更好的性能和鲁棒性。GTBoxes通过随机偏移H, L,W进行偏移，当中心点x,y的偏移都>L/2,W/2会将label设置为num_class，也就是负样本，会对GTBoxes重复n次组成n=10。
基于YOLOv8的通用的滑动验证码滑块缺口检测模型
qq_29402011的博客
08-15 564
本文介绍了基于YOLOv8训练滑块验证码缺口检测模型的通用步骤
基于车联网大数据平台的用户驾驶习惯行为画像分析
DolphinDB智臾科技
08-15 705
车联网系统中，利用大数据对驾驶行为进行研究，有助于了解驾驶员的特征，并提供优化建议。本文从用户驾驶行程中的速度偏好、驾驶风格、熟练度三个方面描述用户画像，并介绍如何使用 DolphinDB 基于 K-means 算法的聚类模型生成用户画像与个性化标签，完成数据存储、处理、特征提取、模型构建及预测等全过程。
香橙派aipro部署大模型
06-29
香橙派AIPro是基于阿里云开发的大规模语言模型平台，它提供了一种便捷的方式将预训练的大模型部署到实际应用中。以下是部署大模型的基本步骤： 1. **注册和登录**：首先，需要在香橙派官网（https://www.chaoxingpai.com/）注册并登录账号。 2. **选择模型**：AIPro支持多种预训练模型，如通义千问、通义万相等，根据你的需求选择适合的模型版本。 3. **模型下载**：在平台上选择合适的模型后，下载模型文件，通常为权重文件和配置文件。 4. **环境配置**：确保你的开发环境（如Python）已安装好必要的依赖，如transformers或其他相关的模型处理库。 5. **代码集成**：将模型的加载、推理等功能集成到你的应用程序中，根据API文档调用模型进行预测。 6. **模型推理**：编写代码来输入数据，调用模型进行自然语言处理任务，如文本生成、问答或翻译等。 7. **性能优化**：考虑模型的内存使用和计算效率，可能需要调整模型大小、序列长度等参数。 8. **测试和调试**：在本地或测试环境中对部署的模型进行充分的测试，确保其准确性和稳定性。
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