参考文档《Rockchip_RKNPU_User_Guide_RKNN_API_*.pdf》《Rockchip_User_Guide_RKNN_Toolkit2_*.pdf》知识点学习---------------------------------------------1：rk3588内置6Tops的NPU，若要使用需要下载rknn sdk；2：用户可以通过rknn sdk将算法模型转化为.r
转载
2024-03-18 15:20:08
224阅读
64位win7下Android环境搭建 最近突然对android很感兴趣，于是搭建了android的开发环境。在搭建过程中遇到了各种各样的问题，整整折腾了两周的时间，所以把这些问题和解决方法记录下来，算是对这两周煎熬的一个总结和回馈。1.下载和安装1.下载和安装JDK下载地址：http://www.oracle.com/technetwork/j
基于JNI实现调用C++ SDK背景分析解决实践 背景上篇文章总结了几种Java项目调用C/C++ SDK项目方法，在逐一实践、踩坑后，最终还是敲定采用 JNI 方式进行实现。在文章开始的过程，会先大概讲讲笔者遇到的情况，因为封装方式需要根据实际项目而定，可能不太适合于任何人。分析如图，这里列举了一个C++项目的头部文件，我们可以看到第一个方法，它返回的是一个GopHandle对象，而这个对象里
做过51单片机或者ARM开发的人都知道，单片机内部都有自己的“片内外设”，比如UART，比如I2C，比如SPI等等。。。写单片机程序的时候，比如对于UART的驱动，我们都是在程序中直接写一套函数，来操作相关的UART寄存器，在程序中的其它地方调用这些函数，完成串口的收发。 在小规模的单片机程序中，这样做是再正常不过的。但是，在规模庞大的LINUX内核中，要处理各种各样的CPU，各种各样的UART收
转载
2024-05-29 23:43:58
167阅读
目录参考链接前言一、外设驱动1、片上外设2、板载外设 二、外设驱动添加1、配置CubeMX工程2、修改Kconfig3、添加ports文件，修改SConscript三、外设配置总结参考链接STM32 系列外设驱动添加指南前言此次制作的BSP使用的板卡我司自己开发的板卡，不方便放上来，但是是仿的正点原子阿波罗开发板，外设都差不多，单片机型号为429IGT6，大家看的时候可以参考阿波罗开发板
转载
2024-05-20 17:35:27
121阅读
目录Keras简介快速浏览模型安装和导入转换器将Keras模型转换为ONNX摘要和后续步骤参考文献下载源547.1 KB系列文章列表如下：ONNX系列一 --- 带有ONNX的便携式神经网络ONNX系列二 --- 使用ONNX使Keras模型可移植ONNX系列三 --- 使用ONNX使PyTorch AI模型可移植ONNX系列四 --- 使用ONNX使TensorFlow模型可移植ONNX系列五
因工作需要，需要将目标检测模型 部署在开发板上。在走了很多弯路后 找到一个成功的案例并记载下来这里说一下我现有的硬件设备 。我是购买的RADXA的rock3a开发板 搭载的soc是rk3568这是开发板的正面图，因为瑞芯微针对计算机视觉中的目标检测模型有一套自己的前向推理框架，所以我就着眼于搭载rockchip的开发板rock3a目标检测模型 这里采用的是yolo模型 由于原生yolo
转载
2024-07-05 20:05:07
718阅读
# 从入门到精通：如何实现"from rknn.api import rknn"
作为一名经验丰富的开发者，我将向你介绍如何实现"from rknn.api import rknn"这个操作。在这篇文章中，我将逐步展示整个流程，并为每一个步骤提供详细的代码示例和解释。
## 整个流程
在介绍每一个步骤之前，我们先来看看实现"from rknn.api import rknn"的整个流程。以下
原创
2024-04-28 10:21:38
333阅读
目录一、基本概念二、逻辑表达三、物理存储3.1 NCHW3.2 NHWC四、RGB图像数据举例五、不同框架支持 流行的深度学习框架中有不同的数据格式，典型的有NCHW和NHWC格式。本文从逻辑表达和物理存储角度用图的方式来理解这两种数据格式，最后以RGB图像为例来加深NHWC和NCHW数据存储
转载
2024-10-31 22:19:31
110阅读
·第一段叫前端（Frontend）：其输入为源代码，输出为中间表示（IntermediateRepresentation，简写为IR，IR也被称作中间代码、中间语言）。IR没有标准语法。各编译器都可以自定义IR。比如LLVM就有LLVM IR，而Java字节码也是一种IR。前端的工作主要是解析输入的源码，并对其进行词法分析、语法分析、语义分析、生成对应的IR等。·第二段叫优化器（Optimizer
转载
2024-07-09 21:17:52
79阅读
一、引言 RK3588S支持NPU，提供高达6.0Tops的算力，可以用于部署深度学习项目。本篇文章介绍Yolo v5代码开发、模型转化（RK3588S只支持rknn模型文件）、部署。 使用的RKNN-TooKit2，具体的环境搭建，请参考博文：RK3588(自带NPU)的环境搭建和体验（一
谈谈深度学习中的 Batch_Size Batch_Size（批尺寸）是机器学习中一个重要参数，涉及诸多矛盾，下面逐一展开。首先，为什么需要有 Batch_Size 这个参数？全数据集 （ Full Batch Learning ）的形式，这样做至少有 2 个好处：其一，由全数据集确定的方向能够更好地代表样本总体，从而更准确地朝向极值所在的方向。其二，由于不同权重的梯度值差别巨大，因此选取一个全
splunk与日志分析splunk的使用splunk配置日志字段提取日志分析场景已知ip，查看行为 splunk的使用在安全服务的多种场景下，我们都离不开日志分析这项工作，特别是在应急与溯源的过程中，日志分析成为快速定位问题的重要方式。轻量级的日志分析我们通常使用文本编辑器或者excel等具备简单筛选功能的工具进行查看，但是对于大量级的日志分析，在很多场景下这些工具不再适用，下面我将介绍splu
转载
2024-09-27 17:05:10
42阅读
1 - kd TreeKD树是一种对K维空间中的实例点进行存储以便对其进行快速检索的树形数据结构。KD树其实就是二叉树，表现为对K维空间的一个划分，构造kd树相当于不断的用垂直于坐标轴的超平面将k维空间切分，构成一系列的k维超矩形区域，即kd树就是二叉树在高维上的扩展。kd树的每个节点最后对应于一个k维超矩形区域。kd树搜索的平均计算复杂度是O(logN)。假如维度是k, 而样本点一共N个，那么最
最近在利用SSD检测物体时，由于实际项目要求，需要对模型进行轻量化，所以考虑利用轻量网络替换原本的骨架VGG16，查找一些资料后最终采用了google开源的mobileNetV2。这里对学习mobileNet系列的过程做一些总结。mobileNetV1是由google在2017年发布的一个轻量级深度神经网络，其主要特点是采用深度可分离卷积替换了
转载
2024-03-20 12:39:22
232阅读
RKNN-Toolkit转换Tensorflow模型至Rockchip NPU推理并进行性能评估 文章目录RKNN-Toolkit转换Tensorflow模型至Rockchip NPU推理并进行性能评估一、基本知识二、环境部署2.1环境准备2.2安装RKNN-Toolkit（以Python3.6为例）2.3注意事项：三、Tensorflow模型转换、推理及评估3.1在PC上仿真运行3.2在RV11
转载
2024-03-15 15:56:25
930阅读
最近忙于爬坑搭建自己的公网流媒体服务器，RKNN的使用教程写的不太及时，在此对各位朋友说声抱歉。我将继续努力将本人使用RKNN工具进行算法移植、开发的教程分享给大家。 文章目录1.可视化工具的启动2.可视化工具功能介绍3.本人遇到的问题汇总 1.可视化工具的启动RKNN ToolKit有两种使用工具，一种是通过Python工具进行模型转换及量化，另一种通过可视化工具手动选择进行模型转换及量化
转载
2024-06-21 17:27:14
418阅读
关于RKNN RKNN 是Rockchip npu 平台使用的模型类型，以.rknn后缀结尾的模型文件。Rockchip 提供了完整了模型转换 Python 工具，方便用户将自主研发的算法模型转换成 RKNN 模型，同时 Rockchip 也提供了C/C++和Python API 接口。
RKNN
转载
2024-05-21 15:24:31
1168阅读
1评论
常用的命令和操作： 1、backup和COPY 2、list 3、delete 和crosscheck 4、change 5、rman>report schema; --查看数据库有哪些表空间和数据文件 6、备份脚本 7、执行SQL语句(rman中的sql环境不能执行SELECT语句) 8、RMAN备份相关的动态性能表
1、backup和copy
backup 逻辑物
目录前言一、QAT量化浅析二、YOLOv5模型训练1. 项目的克隆和必要的环境依赖1.1 项目克隆1.2 项目代码结构整体介绍1.3 环境安装2. 数据集和预训练权重的准备2.1 数据集2.2 预训练权重准备3. 训练模型3.1 修改数据配置文件3.2 修改模型配置文件3.3 训练模型3.4 mAP测试三、YOLOv5-QAT准备工作1. 项目克隆2. 安装依赖3. 数据集和权重准备4. 代码修
