【ZhangQian AI模型部署】目标检测、SAM、3D目标检测、旋转目标检测、人脸检测、检测分割、关键点、分割、深度估计、车牌识别、车道线识别

置顶 已于 2025-03-01 23:14:33 修改
阅读量2k 收藏 28
点赞数 26
文章标签： 目标检测 3d 目标跟踪
于 2024-07-11 19:55:57 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/zhangqian_1/article/details/140360711
版权

  在模型部署落地（主要部署到rk3588）折腾了这么多年，把这些年折腾过的模型整理了一下，所有的流程说明、代码模型都完全开放的，欢迎交流学习。有的是为了项目、有的是为了学习、还有的是为了找点事做、有的完全是为了安抚内心的焦虑与迷茫，无论出于什么原因都在继续写着。遇到难啃的部署过程也会有无数次想要放弃的念头（毕竟很多是要工作之余去做），有的在部署过程不断思考如何优化速度、如何简化部署难度，经常是念念不忘。后续还会有项目、还会有学习、还会有无聊的时间，也依旧会有焦虑与迷茫，搞部署、写博客也还在路上…

1）点云

3D 目标检测

【PointPillars 3D目标检测 部署 onnx、TensorRT】

2）图像

目标检测

【yolov12 部署 rknn、C++】

【yolov11 部署 rknn、C++ 的 7 种部署方法】

【RT-DETR-v2 部署C++、TensorRT】

【yolov11 部署 rknn、C++、TensorRT（cuda和cpu两个版本后处理实现）】

【yolov10 部署 rknn、地平线、tensorRT、C++】

【yolo world 部署 rknn、地平线、tensorRT、C++】

【yolov9 部署 rknn、地平线、tensorRT、C++】

【yolov8 部署 rknn、地平线、tensorRT、C++】

【yolov7 部署 rknn、地平线、tensorRT】

【yolov6 部署rknn、地平线、tensorRT、caffe】

【yolov5 部署 rknn、地平线、tensorRT、caffe】

【DETR 部署 tensorRT、C++】

【SSD 部署 caffe、tensorRT】

【yolox 部署 caffe、tensorRT】

【CenterNet 部署 rknn、地平线、tensorRT、C++】

【FCOS 部署 onnx】

Segment Anything

【FastSAM 部署 onnx、rknn、C++】

3D 目标检测

【Monodle centernet3d 部署 rknn、地平线、tensorRT】

旋转目标检测

【yolov8obb 旋转目标检测部署 rknn、地平线、tensorRT、C++】

人脸检测

【RFB-SSD人脸检测部署caffe、onnx、tensorRT】

检测分割

【yolop 部署rknn、地平线、tensorRT】

【yolov8seg 部署 rknn、地平线、tensorRT、C++】

关键点

【yolov8pose 部署 rknn、地平线、tensorRT、C++】

【车牌回归部署 caffe、onnx、tensorRT】

分割（车道线、路面）

【DeepLabV3 路面分割部署 onnx、tensorRT】

【UNet 多车道线、线类别识别部署 onnx、rknn、地平线、tensorRT、C++】

【UNet 路面分割部署caffe、onnx、tensorRT】

深度估计

【MiDaS 单目深度估计 部署 onnx、rknn、C++】

车牌识别

【LPRNet 车牌识别部署 onnx、rknn、C++】

其它（车道线识别）

【Ultra-Fast-Lane 车道线识别部署caffe、onnx、horizon、rknn】

板端模型转换工具链

【瑞芯微 RKNN-Toolkit2 工具链】
【地平线 Horizon 工具链】

github主页

【代码仓目录】

在瑞芯微RK3588平台上使用RKNN部署YOLOv8Pose模型的C++实战指南
weixin_51988935的博客
12-24 1268
在人工智能和计算机视觉领域，人体姿态估计是一项极具挑战性的任务，它对于理解人类行为、增强人机交互等方面具有重要意义。YOLOv8Pose作为YOLO系列中的新成员，以其高效和准确性在人体姿态估计任务中脱颖而出。本文将详细介绍如何在瑞芯微RK3588平台上，使用RKNN（Rockchip Neural Network Toolkit）框架部署YOLOv8Pose模型，并进行C++代码的编译和运行。注 本文全部代码、数据、模型、库，均已放置在文末的百度云盘链接里
使用rknn进行yoloV8部署（C++）
如果想成为中心，那么就到中心去吧。
12-30 937
RKNN 是一个为 Rockchip 处理器（尤其是集成 NPU 的处理器）量身打造的神经网络推理框架，旨在为开发者提供高效的 AI 推理能力。RKNN（Rockchip Neural Network）是由 Rockchip（瑞芯微电子）公司开发的深度学习框架，旨在提供高效、优化的神经网络推理（inference）能力，支持各种类型的神经网络模型的加速运行，特别是针对 Rockchip 的 ARM 处理器和 NPU（神经网络处理单元）进行优化。操作硬件：香橙派开发板。操作硬件：x86主机。
基于C++实现yolov8pose算法移植部署瑞芯微rk3568嵌入式开发板项目源码+实验说明.zip
05-30
【优质项目推荐】 1、品质保证：项目代码均经过严格测试，确保功能稳定且运行ok。您可以放心下载并立即投入使用，若遇到任何问题，随时欢迎您的反馈与交流。 2、适用广泛：无论您是计算机相关专业（如计算机科学、信息安全、数据科学、人工智能、通信、物联网、自动化、电子信息等）的在校学生、专业老师，还是企业员工，都适用。 3、多用途价值：该项目不仅具有很高的学习借鉴价值，对于初学者来说，是入门进阶的绝佳选择；当然也可以直接用于 毕业设计、课程设计、期末大作业或项目初期立项演示等。 3、开放创新：如果您有一定基础，且热爱探索钻研，那该项目代码更是您发挥创意、实现新功能的起点。可以基于此代码进行修改、扩展，创造出属于自己的独特应用。 欢迎下载使用优质资源！欢迎交流学习，欢迎借鉴引用，共同探索编程的无穷魅力！ 基于C++实现yolov8pose算法移植部署瑞芯微rk3568嵌入式开发板项目源码+实验说明.zip 编译和运行 1）编译 ``` cd examples/rknn_yolov8pose_demo_open bash build-linux_RK3588.sh ``` 2）运行 ``` cd install/rknn_yolov8pose_demo_Linux ./rknn_yolov8pose_demo ``` 注意：修改模型、测试图像、保存图像的路径，修改文件为src下的main.cc ``` int main(int argc, char **argv) { char model_path[256] = "/home/zhangqian/rknn/examples/rknn_yolov8pose_demo_open/model/RK3588/yolov8pos_relu_zq.rknn"; char image_path[256] = "/home/zhangqian/rknn/examples/rknn_yolov8pose_demo_open/test.jpg"; char save_image_path[256] = "/home/zhangqian/rknn/examples/rknn_yolov8pose_demo_open/test_result.jpg"; detect(model_path, image_path, save_image_path); return 0; } ``` # 板端测试效果 冒号“:”前的数子是coco的80类对应的类别，后面的浮点数是目标得分。（类别:得分） 说明：推理测试预处理没有考虑等比率缩放，激活函数 SiLU 用 Relu 进行了替换。由于使用的数据不多，效果并不是很好，仅供测试流程用。 把板端模型推理和后处理时耗也附上，供参考，使用的芯片rk3588，输入分辨率640x640。
视觉大模型（SAM）及其行业扩展（G-SAM） ：用于图像分割、目标检测等计算机视觉任务
最新发布
百态老人的博客
02-16 826
基本定义SAM是由Meta AI Research于2023年提出的零样本图像分割模型，旨在通过提示工程实现像素级分类，适用于自动驾驶、医学影像分析等场景。其核心创新在于无需微调即可泛化至未见过的物体，被誉为计算机视觉领域的“GPT-3”。核心技术​任务设计​：引入“可提示分割任务”，支持点、框、文本等多种提示形式，实现零样本迁移。​模型架构​：​图像编码器​：基于MAE预训练的ViT，提取图像特征；​提示编码器​：处理用户输入的提示信息（如点、框）；​掩码解码器。
【3D 目标检测模型部署】全链条打通！PointPillars 从模型到部署
qq_39967751的博客
07-14 9497
近几年点云目标检测一直是计算机视觉领域中很火的任务，各种方法也是层出不穷，从基于点云的PointNet、PointNet++，到使用体素方法的VoxelNet。这些网络取得了不错的检测性能，但同时也存在一些问题。PointNet系列的Point-based模型直接对点云进行处理，可以减少位置信息的损失，但同时也带来了巨大的计算资源消耗，使其很难做到实时。我们来看一下PointPillars中的PillarFeatureNet模块的具体操作，如下图所示。outshttps。......
基于SAM的目标检测
qq_74532579的博客
12-31 1113
这个时候，只需要在目标区域点一下然后稍等一下就可以了，等多久就看你服务器的推理速度了，还有传输的速度了，如下图，可以看到，他自动就给我标了，并且多了两个标签，为啥是两个呢，因为我只配置了out_mask=true和out_poly=true，所以它就会得到两个。修改voc_annotation.py里面的参数。右边紫色的是smart工具，必须开启，也就是亮起来，并且必须跟你标签选的是一样，比如我现在是选的第一行的关键点相关的标签，右边的smart工具就必须是关键点的，如下边亮起来的三个点就是关键点配置的。
Crowd-SAM：SAM作为拥挤场景中目标检测的智能标注器
AI浩
08-06 1431
问题定义。如图1所示，我们的目标是在标记数据很少的情况下，检测拥挤场景中的对象（如行人）。我们将此问题表述为一类小样本检测任务。常见的小样本流程是将数据分为基础集和新集。不同的是，我们直接使用目标类的数据进行模型训练，因为基础模型已经在大规模数据上进行了训练。特别是，我们采用分割掩码作为中间结果，这些结果可以很容易地转换为边界框。在训练和评估过程中，仅提供边界框标注。对SAM自动生成器的初步研究。提示数量会影响SAM的性能，我们针对拥挤场景分析了这一问题。
基于C++实现yolov8obb 旋转目标检测部署
07-13
【作品名称】：基于C++实现yolov8obb 旋转目标检测部署 【适用人群】：适用于希望学习不同技术领域的小白或进阶学习者。可作为毕设项目、课程设计、大作业、工程实训或初期项目立项。 【项目介绍】： yolov8obb ...
Centernet算法移植部署瑞芯微rk3588开发板c++源码含使用说明+rknn模型.zip
05-30
2、适用广泛：无论您是计算机相关专业（如计算机科学、信息安全、数据科学、人工智能、通信、物联网、自动化、电子信息等）的在校学生、专业老师，还是企业员工，都适用。 3、多用途价值：该项目不仅具有很高的学习...
OpenCV与AI深度学习 | 实战 | 基于YOLOv9+SAM实现动态目标检测和分割（步骤 + 代码）
csdn_xmj的博客
04-17 2489
在本文中，我们使用YOLOv9+SAM在RF100 Construction-Safety-2 数据集上实现自定义对象检测模型。这种集成不仅提高了在不同图像中检测和分割对象的准确性和粒度，而且还扩大了应用范围——从增强自动驾驶系统到改进医学成像中的诊断过程。通过利用 YOLOv9 的高效检测功能和 SAM 以零样本方式分割对象的能力，这种强大的组合最大限度地减少了对大量再训练或数据注释的需求，使其成为一种多功能且可扩展的解决方案。
炙手可热！SAM+目标检测！最新idea霸榜CVPR！
2401_82426425的博客
11-19 810
一方面，SAM才提出一年多，基于它做目标检测，还在蓝海阶段，创新机会很多！且在CVPR、NeurIPS等顶会上，也有不少成果供我们参考。比如性能飙升82.31％的SAM-PM；免训练的VL-SAM……另一方面，它在提高检测准确性、泛化性等方面，具有不可替代的作用！与传统目标检测算法相比，SAM不仅能更准确、高效地分割出图像中的目标对象，还能处理复杂场景中的多个目标，这对提高检测性能大有裨益！更特别的是，它不需要事先知道目标类别，能应用于各种未知或新的目标检测任务，而无需重新训练或微调。
SAM 提示框和 Unet的语义分割的融合：自动驾驶车道线分割
Henry的博客
08-31 2549
最近SAM 模型复现的多了，看了不少官方的源码，尝试下SAM和Unet的结合SAM的提示分割，其实就是在分割的时候，为数据增加一个提示信息，可以是框，点，或者文本等等。这样大模型网络就可以根据提示信息进行分割如下图，就是手动的给出提示框，然后网络分割出框里的内容需要注意的是，本文不对SAM的原理进行讲解，只是借鉴SAM的提示分割思想，将其和unet结合其实，思想很简单，一般的图像分割网络是的，因为图像都是的。而这里需要传入sam的，所以还要增加一个维度，也就是说最开始。
【论文笔记】SAM3D: Zero-Shot 3D Object Detection via Segment Anything Model
weixin_45657478的博客
06-07 4249
【论文笔记】SAM3D: Zero-Shot 3D Object Detection via Segment Anything Model
SAM分割一切模型下游任务测试：基于检测框的目标分割
shuaijieer的博客
04-09 1250
【代码】SAM分割一切模型下游任务测试：基于检测框的目标分割。
【计算机视觉 | 目标检测 | 图像分割】Grounded Segment Anything：Grounding DINO + Segment Anything Model (SAM)介绍
wzk4869的博客
09-19 3644
【计算机视觉 | 目标检测 | 图像分割】Grounded Segment Anything：Grounding DINO + Segment Anything Model (SAM)介绍
SAM + YOLOv8 图像分割及对象检测
新缸中之脑
09-10 8702
在 Segment everything 研究论文中，SAM 被称为“基础模型”。基础模型是在大量数据上训练的机器学习模型（通常通过自监督或半监督学习），其目的是在更具体的任务上使用和重新训练。换句话说，SAM 是一个预训练模型，旨在适应其他任务（特别是通过微调）。例如，SAM 可以重新训练并用于仅对数据集中的人员进行分割。人物分割是 SAM 可以执行的一项附件任务，因为它已经在包含此类对象的数据集上进行了训练 - 但不仅如此！
探索YOLOv3_ReSAM：一款高效且精准的目标检测框架
gitblog_00002的博客
04-21 956
探索YOLOv3_ReSAM：一款高效且精准的目标检测框架 去发现同类优质开源项目:https://gitcode.com/ 在计算机视觉领域，目标检测是至关重要的一环，它允许我们识别和定位图像中的物体。而YOLO（You Only Look Once）系列模型因其实时性能和高精度，一直是该领域的热门选择。今天，我们要介绍的是由AllenSquirrel开发的YOLOv3改进版——YOLOv3_R...
If sam wants to extract the column of the name and its contents from the following data, which command should he use? Name:StudentNo:Hobby LiZeYin:12304:football YangBo:12305:basketball ZhangQian:12306:football a. cut -d ":" -f1 b. cut -d ":" -c1-5 c. sort -d ":" -f1 d. sort -d ":" -c1-5
05-29
The correct answer is: a. cut -d ":" -f1 Explanation: The `cut` command is used to extract specific columns or fields from a file. The `-d` option specifies the delimiter (in this case, the colon), and the `-f` option specifies the field or column number to extract. To extract the first column (which contains the names), Sam should use the following command: ``` cut -d ":" -f1 ``` This will output: ``` Name LiZeYin YangBo ZhangQian ``` Option b (`cut -d ":" -c1-5`) would extract the first five characters of each line, which is not what Sam wants. Option c (`sort -d ":" -f1`) would sort the file by the first field, but would not extract it. Option d (`sort -d ":" -c1-5`) is not a valid command, as the `-c` option is not supported by `sort`.
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