海思SS928/SD3403移植Yolov8（1）

已于 2024-06-14 16:54:34 修改
阅读量621 收藏 2
点赞数
分类专栏： SS928/RK3588/A200移植yolov8模型 文章标签： YOLO python 开发语言
于 2024-06-11 17:51:27 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/zxt1920/article/details/139605134
版权

移植过程总共分为分为pt->onnx->om，我们今天先来讲解如何修改yolov8模型，以适应后面的移植

第一步. 将pt转为onnx

1. 下载官方权重

    比如

了解本专栏 订阅专栏 解锁全文
海思SD3403,SS928/926,hi3519dv500,hi3516dv500移植yolov7,yolov8（20）- SS928/SD3403移植yolov8，好消息！！！
Littro Innovations
06-04 1320
于是先测试了一下训练后的结果数据。就从同一组数据，同一组参数来说yolov10比yolov8并没有显著提升，反而是点降低。识别速度和延迟在电脑上的测试结果是确实要好的。yolov10先放一边，这次最最重要的事情是在SS928/SD3403上终于 ，终于跑通了yolov7和yolov8。足足等了两年，一直被我认为鸡肋的的3403终于是可以用上强大的ARM了。上一篇验证介绍了一下yolov10，yolov10的移植来说理论上是完全可行的，但是就创新侧重点来说去掉了NMS层，对于海思平台似乎没有那么大的吸引力。
海思SD3403,SS928/926,hi3519dv500,hi3516dv500移植yolov7,yolov8（15）-Yolov9探索
Littro Innovations
02-26 1591
SS928移植yolov8问题暂未解决，对比SVP NNN和NNN两个NPU核，SVP NNN是不支持transpose层，仅支持CPU里运行，去掉这个层认为不现实，NNN里倒是写的在onnx模型里支持transpose，应该是在NPU里运行。一种方式是转caffe模型，transpose对应的是permute，是支持的。对于 PGI 而言，它的适用性很强，可用于从轻型到大型的各种模型。可以用它来获取完整的信息，从而使从头开始训练的模型能够比使用大型数据集预训练的 SOTA 模型获得更好的结果。
SD3403V100/SS928海思 高性能超高清智能网络摄像机SoC芯片，主要面向监控市场，具有强大的图像处理能力和计算能力 可替代Hi3559A、Hi3519A等部分功能
最新发布
li15817260414的博客
03-12 648
SD3403V100/SS928是一款由海思（HiSilicon）推出的高性能超高清智能网络摄像机SoC芯片，主要面向监控市场，具有强大的图像处理能力和计算能力。
SS928(SD3403) yolov8 移植
apchy_ll的博客
07-04 1574
Yolov8 在海思ss928移植，环境搭建全流程
yolov8-obb部署在海思3516DV300流程
qq_44860903的博客
08-08 1963
本文主要讲述yolov8-obb模型转换到海思3516DV300的流程模型到此转换完成，这个过程有很多坑，具体模型还有看具体问题解决！
海思SS928/SD3403移植Yolov8（2）
zxt1920的博客
06-12 793
海思SS928/SD3403移植yolov8第二步，ascend toolkit工具的安装和使用
YOLOv5在SD3403上的部署（包含模型训练，模型转换，SDK部署）一
trepassing的博客
11-11 2647
本文较为详细的给出了部署yolov5模型到海思sd3403板子上的方法
海思SS928/SD3403移植Yolov8（3）
zxt1920的博客
06-14 434
海思SS928/SD3403移植yolov8最终章，配置相关编译环境，并进行推理演示
海思SD3403,SS928/926,hi3519dv500,hi3516dv500移植yolov7,yolov8（4）
Littro Innovations
12-20 1874
如果想要在电脑做GPU推理或者在Nvidia板卡里运行，建议是加上EfficientNMS，Nvidia本身支持这个层转TensorRT，包括在训练环境里做onnx模型的推理，其实也最好是加上。这里转换完之后都是默认带EfficientNMS层，用Netron看大概率会是两种可能情况，一种是不带EfficientNMS，一种是不带NMS，像下面这种。这里NMS和Filter有IOU阈值，筛选的，这个部分不用在源码里修改，后面可以在海思代码里直接更改。原始模型导出的方式也给了一个源码，在export.py。
海思NNIE开发·yolov8
烂笔头·张的博客
09-22 1602
手把手教你如何部署yolov8算法至软件定义相机中运行。
海思SD3403开发板
lpower9的博客
11-10 4442
SD3043处理器核心具有四核ARM Cortex-A55@ 1.2GHz，32KB I-Cache，32KB D-Cache，512KB L2 Cache,支持NEON 加速,集成FPU 处理单元。SD3043主板提供1路sensor输入、2路USB2.0、1路USB3.0、1路10M/100M网络、RS232、RS485、GPIO、RTC、PCIE等外围接口。SD3043是针对高清/超高清（1080p/4M/5M/4K）IPC产品应用开发的专业SoC芯片。
海思SD3403,SS928/926,hi3519dv500,hi3516dv500移植yolov7,yolov8（24）SS928/SD3403推理yolov8 - om量化
Littro Innovations
07-03 922
这里有个小注意的地方，新的ultralytics8.2版本最近更新的比较多，导出模型前最好看一下源码，虽然区别不大，改的时候对应自己用的版本改就可以。topK，low_score_thresh，num_thresh 这些参数后面都可以在程序里改，不用太在意。这里数据格式按照自己的图像输入格式而定，输入格式有特别多的格式，依据自己的程序来配置。我训练的模型是两个类的，这里面class_num和自己模型的类别数有关系。另外导出时选择Onnx12的版本，13，14的版本可能会有问题。导出后的模型结构是这样的。
【SS928/SD3403/Hi3403V100】基于海思4+6Tops多媒体SoC核心板开发AI承载黑光摄像机及边缘计算数据盒
weixin_42361632的博客
04-07 4895
智能加速4Tops INT8 NN加速引擎，双核Vision Q6的DSP处理；支持4K60的H.265/H.264编码，支持10路1080p30的H.265/H.264解码；支持4路4Mp30机内实时硬化拼接，支持2路4K p30机内实时硬化拼接；高速接口支持USB3.0和PCIe2.0高速接口。
海思SD3403,SS928/926,hi3519dv500,hi3516dv500移植yolov7,yolov8（3）
Littro Innovations
12-19 1798
经过调试后中终于在hi3519dv500和hi3516dv500两个平台中都实现的算法验证。同时可以做自己定制的算法模型的移植了，下面是两个移植案例效果。识别运行时间上做了对比和统计，具体的可以看下面的表格。总体来说速度还是比较快的，Yolo系列算法实时运行是几乎没有任何问题。训练到量化过程已经全部验证完，期待在项目中使用。涉及到技术细节的部分因为商业用途，有部分省略。如需相关技术服务项目合作可私信联系。
海思hi3519dv500,hi3516dv500移植yolov8-模型处理
Littro Innovations
03-04 2530
上一节yolov8的训练已经完成了，现在要开始做模型的转换了，这里和yolov7方式相似，但是有一些差异，尤其是yolov7的不带NMS部分的输出顺序和yolov8的输出顺序与格式是有差异的。尾部链接了 我们自定义的DecBBox，Filter，Sort还有NMS。这里面filter和NMS的过滤条件不用管，在推理代码里还要重新配置一下，用这个默认配置就可以。我们一个一个看，首先filter.py里 要先增加个Filter的自定义层。这个部分和yolov7方式是完全一样的。下面是和yolov7的对比。
海思SD3403开发板学习（一）
蘑菇炒辣椒的CSDN
05-16 9475
海思SD3403开发板学习系列：一 简介
海思Hi3516、Hi3519部署yolov8检测算法精度问题排查
aabbcccddd01的博客
05-22 3449
这是一篇再海思3516芯片上优化目标检测模型精度的文章
海思SD3403/SS928V100开发（15）9轴IMU ICM-20948模块SPI接口调试
jzwjzw19900922的博客
07-05 634
芯片平台： 海思SD3403/SS928V100操作系统平台： Ubuntu20.04.05【自己移植】9轴IMU模块：ICM-20948通讯接口： SPI。
海思SD3403 SS928 mobilenet
02-27
海思SD3403/SS928是一款专为监控市场打造的专业Ultra-HD智能IP摄像机SOC，具备强大的视频处理能力和集成度高的特点[^1]。这类SoC通常集成了NPU（神经网络处理器），用于支持AI算法运行，特别是图像识别类任务。 ###...
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