Ram Cherukuri,Mathworks
使用Matlab的Raspberry PI™对覆盆子PI™的深入学习来说明图像分类的演示®使用raspberry pi支持包。万博1manbetxMATLAB为工程师和科学家提供完整的集成工作流程,用于探索,原型和部署熟悉的开发环境中的深入学习算法,内置高级应用程序和库。
使用Matlab Coder™,您可以为完整的推理管道生成C ++代码,其中包含图像采集,预处理和围绕训练的网络进行后处理,并部署到任何ARM®基于Cortex-A的平台,如覆盆子PI或NXP™I.MX系列处理器。
嗨,我是Mathworks的产品经理Ram Cherukuri,欢迎覆盆子PI的另一个版本的深度学习,这次使用它使用挤压Zenet进行图像分类。
在此视频中,我希望能够展示您可以使用MATLAB算法的操作系统并使用MATLAB中的Live I / O测试它并验证它,并在将其作为独立部署之前使用处理器 - 环路仿真测试目标覆盆子PI。应用程序,不需要在C或C ++中编写任何附加代码。
我决定选择图像分类作为机器学习和深度学习应用的示例,其中几个原因:
您可以在Mathworks.com上引用Matlab的机器学习和深度学习的更多资源。
说到嵌入式处理器,我选择了覆盆子pi以外的另一个原因,而不是它很有趣和可访问。它基于ARM皮层A,类似于那里的大多数基于视觉的处理器。
MATLAB编码器使您可以生成代码并将应用程序部署到任何支持霓虹灯指令的ARM Cortex的处理器。万博1manbetx
您获得最佳性能,因为生成的代码调用了ARM的计算库,它为ARM的CPU和GPU平台提供了优化的低级功能。
请参阅下面的链接以了解有关Compute库的更多信息。
在以前的视频中,我们涵盖了部署方面的示例,如行人检测和在此视频中,我们将专注于硬件循环测试和验证。
这是我们的MATLAB算法,它采用输入映像,是否将培训的挤压Zenet用于推理,然后执行后处理以识别并显示前五个分类的大小。
这是我的测试脚本,我将用来运行该示例。
让我们首先运行这个代码部分以查看MATLAB中的算法在输入图像上的算法。您可以看到它为我们提供了输入图像中的东西的五大分类。
现在,我想用一些实时数据测试和验证我的算法。在这里,我正在设置与覆盆子pi的连接,我可以使用附加到它的网络摄像头从相机上获取实时源,并在matlab中运行推断 - 非常简单。
请提出一个注释来下载免费的Raspberry PI支持包以尝试一下。万博1manbetx
此外,如果您有MATLAB编码器,您还可以在Raspberry PI上生成代码并将其部署。
我们如何使用处理器 - 循环验证生成的代码,因此我们可以使用MATLAB作为我们的测试台来将输入传递给目标上的应用程序,并将结果恢复到MATLAB中进行比较?
一旦代码Gen完成,我们就可以使用此MEX文件,以便在raspberry pi上运行应用程序。使用相同的测试输入,我们正在运行覆盆子pi上的图像分类,我们得到了分类结果。通过比较输出等可以做得更好的验证,但您可以完成更详细的验证。
在整个示例中,我们不必编写任何C或C ++代码。但是,如果要使用OpenCV等任何自定义库,则可以始终手动集成生成的代码并编写自定义主文件以编译为更大的应用程序。
请参阅下面的链接以尝试此示例,并下载必要的支持包。万博1manbetx
您还可以从以下列表中选择一个网站:
选择中国网站(以中文或英文)以获取最佳网站性能。其他MathWorks国家网站未优化您的位置。