YOLO（You Only Look Once）论文近些年，R-CNN等基于深度学习目标检测方法，大大提高了检测精度和检测速度。 例如在Pascal VOC数据集上Faster R-CNN的mAP达到了73.2。而YOLO和SSD在达到较高的检测精度的同时，检测速度都在40FPS以上。这里主要对YOLO做简单介绍。 整个YOLO的网络结构如图，前面20层使用了改进的GoogleNet，得到14×1
转载
2024-02-24 07:49:29
161阅读
这次我准备用K210进行橡皮的目标检测。一、采集图片用手机拍40s左右的视频，然后在桌面建一个video文件夹，里面建一个rubber文件夹，将视频上传至rubber文件夹中。下一布将视频转成图片：我用DataAssitant v1.2这个软件，软件我是通过一位up视频获取的，打开软件将预处理模式切换成目标检测然后选择到刚刚在桌面创建的video文件夹，不要选到rubber文件夹然后点击开始处理，
我们将pseudo labeling和consistency training这两个半监督学习技术，重新适配于目标检测，在精度和训练效率上，都取得了SOTA的表现。PseCo: Pseudo Labeling and Consistency Training for Semi-Supervised Object Detectionpaper: https://arxiv.org/abs/2203.
前言k210是一个面向AIOT应用的低功耗，低成本芯片方案。 它目前支持的深度学习模型类型有tensorflow tflite, caffe1.0以及onnx。 值得注意的是，这3个模型类型所支持的算子有限，这会导致复杂些模型不能在k210上运行。k210另外一个缺点是，它内置了SRAM， 给ai模型的内存大小只有2MB，也就是说它只能支持2MB以内的模型。移植流程由于我们项目的模型是yolov3
K210视觉体验—人脸识别使用设备ZTFR开发板人脸识别构造函数导入模型示例代码基础测试炫酷识别 使用设备ZTFR开发板人脸识别首先简单介绍一下 K210 的 KPU。KPU 是 K210 内部一个神经网络处理器，简单来说就是 KPU 能加载和运行各种现成的 AI 算法模型，实现各种机器视 觉等功能。 MaixPy 中人脸识别本质是目标检测，主要通过在 K210 的 KPU 上跑 YOLO（Yo
目录前言一.摄像头的配置二.画图一.摄像头的配置在 pyAI-K210 和 pyAI-OpenMV4 中摄像头是视觉效应的基本元件，接下来让我们来学习摄像头的应用吧。OpenMV4 和 K210 对摄像头配置的使用是一摸一样的，由此我们可以得出，两个机器的摄像头模块的所有功能应该也是可以互通的，那么让我们继续学习摄像头的有趣应用吧。构造函数sensor摄像头对象，通过 import 直接调用使用方
文章目录1、基本资料来源2、基本视觉功能1、固件定制2、程序移植3、训练K210环境搭建1、CUDA和CUDNN的安装配置2、开始安装3、anaconda环境配置4、训练神经网络模型1、使用官方训练模型训练2、使用maixhub在线训练3、使用mx-yolov3训练 本文算是对K210使用的一个记录吧，这样以后方便后面的学弟学妹快速学习了解K210的基本知识和入门使用1、基本资料来源官网（嘉楠堪
本文简介K210的图像识别首先要明确的是图像识别 ，我们需要识别的是什么 ，如何让机器代替我们识别 ，我们人类认识世界万物 知道这个是玫瑰花 这个是豆腐 这个是火车 这个是我们一步一步的学习所得的，当然如何让机器识别出物品 也需要机器学习关于具体的机器学习 神经网络 不再这里讲解
一、mAP 这里首先介绍几个常见的模型评价术语，现在假设我们的分类目标只有两类，计为正例（positive）和负例（negtive）分别是： 1）True positives(TP): 被正确地划分为正例的个数，即实际为正例且被分类器划分为正例的实例数（样本数）； 2）False positives(FP): 被错误地划分为正例的个数，即实际为负例但被分类器划分为正例的实例数；
转载
2024-02-14 15:26:04
158阅读
前言人脸检测是人脸识别算法的第一步，人脸识别过程主要分为人脸图像获取、人脸检测、人脸配准、人脸表征以及人脸图像匹配与识别。人脸检测的目标是找出图像中所有的人脸对应的位置，算法的输出是人脸外接矩形（椭圆）在图像中的坐标，可能还包括姿态如倾斜角度等信息。人脸检测在安防监控，人证比对，人机交互，社交和娱乐等方面有很强的应用价值。人脸识别是在人脸检测的基础上除了检测到人脸的位置以外， 还可以识别到这个人是
3D检测器的部署是现实世界自动驾驶场景中的主要挑战之一。现有的基于BEV（即鸟瞰图）的检测器支持稀疏卷积（称为SPConv），以加快训练和推理，这为部署（尤其是在设备上应用）带来了困难。在本文中解决了从LiDAR点云中高效检测3D目标的问题，并考虑了部署。为了减少计算负担提出了一种从行业角度来看具有高性能的基于Pillar的3D检测器，称为FastPillars。与以前的方法相比，本文引入了一个更
PriorBox构建源码论文链接实际上PriorBox即default boxes即anchors。本文代码将要复现的是论文中对于Choosing scales and aspect ratios for default boxes这一节的描述。default box 设置原理早先的工作已经反映出浅层能够获取更多目标的细节，因此可以提升语义分割的质量。因此SSD借鉴这一特点，同时利用浅层和深层的信
【K210】K210学习笔记（总）前言K210学习笔记传送门 前言先说一下本篇博文是用于对 K210 系列学习笔记做一个集中传送门的，方便后续大家可以快速找到对应博文，因此本篇博文对大家的帮助可能要随着时间才能越来越大哦（增值属性博文~！哦耶！） 本人大四学生，电赛生涯已经走到尽头，一路上踩过不少坑，但运气也不错拿了两年省一，思来想去，决定开始写博客，将电赛经验分享一二，能力有限，高手轻喷。 K
前段时间考研，再加上工作，时间很紧，一直没有更新博客，这几天在搞k210的目标检测模型，做个记录，共同学习 首先附上github地址，本人自己改的，绝对好用，只要有数据，就能跑通https://github.com/LiuXin
原创
2022-01-20 11:54:57
687阅读
论文：https://arxiv.org/abs/2207.02696代码：https://github/WongKinYiu/yolov7权重： https://pan.baidu/s/1eaNUiwZt7XfdMyPrLpplYA 提取码: wjgw大佬的解读：https://mp.weixin./s/qi_5g1A6Pr2ZrY4n9r_UVw摘要YOLO
K210开发板学习笔记-点亮LED灯
1. 介绍和 51 单片机非常像，实验的2个LED灯都是一头接了 +3.3v 电源，控制 LED灯亮的话需要 K210芯片 对应的管脚提供一个低电平。管脚：低电平-LED亮高电平-LED灭GPIO 连接为：K210-io0 -> LED0 ->+3.3vK210-io17 -> LED1 -&g
勘智K210是一款什么样的芯片？勘智K210是小编去年买的一块AIRV R3开发套件时接触的一款芯片。性价比不错，如下图所示：具有双核64位处理器，并自带独立FPU；有一块KPU用于神经网络加速单元；还有一块APU用于语音数据处理。 所以这块芯片具有视觉和听觉处理能力，功耗低，性能高的特点，并且采用TSMC 28纳米制程，稳定性和可靠性具有一定保证。因此常被用在物联网领域的开发（勘物）
一、概述faster RCNN与fast RCNN是一脉相承的。fast RCNN解决了RCNN计算量大、效率低的问题（RCNN需要将通过selective search算法生成的proposal挨个送入卷积神经网络提取特征）。但是fast RCNN也存在一个问题：在检测阶段，fast RCNN仍需要使用selective search算法生成proposal，这个操作本身就非常耗时，导致fast
【K210+micropython】初识K210 文章目录【K210+micropython】初识K210缘起一、K210是什么？二、一些开发板三、micropython简介总结 缘起之于k210，其实很早之前在各种比赛中就有上手。但是限于自己在团队中负责的都是视觉部分，一般是把K210当做一个视觉处理模块来使用，当然也有用到openmv，但是对于一些需要跑深度学习模型的任务，一般是首选K210。
转载
2023-11-01 23:45:23
71阅读
目标检测：centernet论文笔记centernet使用关键点估计来找到中心点，然后回归到所有其他对象属性，如大小、3D位置、方向，甚至姿态。CenterNet是端到端可微的，比基于边界框的检测器更简单、更快、更准确。总体方法如下图所示:Head检测头在backbone之后，会得到一个特征图，shape为Rh,w,D,h和w是原图的1/4。这个特征经过检测Head，得到了三样东西。key poi
