图像分类在手臂CPU: SqueezeNet覆盆子π
看到一个演示图像分类上使用深度学习MATLAB的覆盆子π™®使用树莓π支持包。万博1manbetxMATLAB提供了一个完整的集成的工作流为工程师和科学家探索,原型和部署深学习算法在一个熟悉的开发环境与内置的高级应用程序和库。
使用MATLAB编码器™,您可以生成c++代码完成推理管道与图像采集、预处理、后处理在网络训练和部署到任何的手臂®Cortex-A基础平台,如覆盆子π或NXP™。MX系列处理器。
嗨,我是Ram Cherukuri,产品经理在MathWorks,并欢迎对树莓π深度学习的另一个版本,这一次使用squeezenet用于图像分类。
在这个视频中,我希望你可以轻易地把MATLAB算法和使用动态I / O测试和验证它在MATLAB中,测试它在目标树莓π在部署之前使用processor-in-loop模拟作为一个独立的应用程序,而不需要编写额外的代码用C或c++。
我决定选择图像分类作为机器学习的一个例子和深度学习应用程序有几个原因:
- 这是一个基本的视频和图像处理任务在许多这样的应用程序从视频监控、自动驾驶等等。
- 和是非常相关的嵌入式部署,这意味着它应该在目标处理器的实时工作。
你可以参考更多的资源在机器学习和深度学习MATLAB在mathworks.com上。
说到嵌入式处理器,我选择了覆盆子π以外的另一个原因是有趣的和可访问。它是基于一个手臂皮质,类似于大多数其他应用处理器。
MATLAB编码器允许您生成代码和应用程序部署到任何手臂皮层处理器支持氖指令。万博1manbetx
你得到最佳的性能,因为生成的代码调用Arm的计算库,它提供了低级函数优化手臂的CPU和GPU平台。
请参考下面的链接了解更多关于计算库。
在前面的视频,我们覆盖部署方面例如行人检测和在这个视频中,我们将关注半实物测试和验证。
MATLAB算法,这是我们需要在一个输入图像,并进行一些调整,一个预处理步骤,使用训练squeezenet推理,然后执行后处理来识别和显示五大分类。
这是我的测试脚本,我将使用运行通过的例子。
让我们先看看这个算法运行这段代码并在MATLAB中输入图像。你可以看到它给我们的五大分类的事情在我们的输入图像。
现在,我想测试和验证算法实时数据。我在这里建立一个连接到一个覆盆子π,我可以使用网络摄像头连接摄像头的直播,在MATLAB上运行推理——非常简单。
请注意下载免费的覆盆子π支持包试试这个。万博1manbetx
此外,如果你有MATLAB编码器,您还可以生成代码并将其部署在覆盆子π。
我们与processor-in-loop验证生成的代码,所以我们可以使用MATLAB作为试验台通过输入到应用程序在目标和获取结果回MATLAB进行比较吗?
创代码完成后,我们得到了这个墨西哥人文件,我可以使用它来运行该应用程序的覆盆子π。使用相同的测试输入,我们正在运行的图像分类树莓π得到分类结果。你可以做更详细的验证通过比较输出,等等,但你懂的。
在示例中,我们不需要编写任何C或c++代码。然而,如果你想使用任何自定义库如OpenCV,你总是可以手动整合生成的代码和编写一个定制的主文件编译成一个更大的应用程序。
请参考下面的链接去下载这个示例中为自己和必要的支持包。万博1manbetx
了解更多
你也可以从下面的列表中选择一个网站:
表现最好的网站怎么走吗
选择中国网站(中文或英文)最佳站点的性能。其他MathWorks国家网站不优化的访问你的位置。