完毕后,就可以像windows上连接树莓派那样去远程控制
2.后面打算在嵌入式平台上跑下轻量级的网络,如MobileNet,还有GhostNet,可以拿个摄像头实时去检测,看看FPS能达到多少。同时博主也会拿博客中性能比较那一节的几个例子放到嵌入式平台上跑一跑。如何评估深度学习的性能?英伟达提出7大挑战
3.https://github.com/tensorflow/models/tree/master/research/object_detection/models
里面有大量的tensorflow做目标检测的资源供参考,博主之前在博客中也提到要善于从官网获取第一手资料
models/tf2_detection_zoo.md at master · tensorflow/models · GitHub
4.TensorFlow Lite的相关介绍
上面提到的是深度学习框架,下面要说说深度学习常接触到的嵌入式平台
8.如下博客值得参考,博主后面也会在几个主流嵌入式树莓派平台上去实现下
9.博主目前所用的树莓派的硬件配置如下
如下是英伟达树莓派4和英伟达JetSon系列开发板性能对比博客
上面博客中做了很多性能比较实验(拿MobileNet v1 SSD、MobileNet v2 SSD)进行了测试
在如下平台做了测试
开发板 速度等级(数字越小,越快)
Coral Dev Board 1
JetSon Nano(Tensorflow框架) 5
JetSon Nano(Tensorflow + tensorrt) 2
树莓派3 +Coral USB(2.0) 2
树莓派4+Coral USB(3.0) 1
树莓派4+Movidus NCS 4
树莓派+Intel NCS2 3
Raspberry pi3(TF Lite框架) 5
Raspberry pi4(TF Lite框架) 3
Raspberry pi3(Tensorflow框架) 7
Raspberry pi4(Tensorflow框架) 6
从上可以看出,直接用树莓派4跑tensorflow框架,速度相对耗时较长。使用树莓派搭配Coral USB3.0是值得尝试的
10.如下硬件平台知道下
Cortex-A57@2.1GHz
11.Google 的Coral开发板(Edge TPU开发板)也了解下
博主后面会先尝试树莓派4b(博主已经具备) + Coral USB3.0、英特尔神经计算棒这两种搭配来提速,同时熟悉下tensorlite框架,拿MobileNet v1 SSD、MobileNet v2 SSD来做下实验;后期有时间会去熟悉下JetSon TX2、Coral Dev Board (需要购入硬件),最后也会去看看opencv里现在增加了哪些新的资源库,再后面应该就乖乖的回归官网文档,读读paper, 看看实现算法,不想折腾了,把最重要的事干好。