![MQL5 - Lenguaje de estrategias comerciales para el terminal de cliente MetaTrader 5](https://c.mql5.com/i/registerlandings/logo-2.png)
Está perdiendo oportunidades comerciales:
- Aplicaciones de trading gratuitas
- 8 000+ señales para copiar
- Noticias económicas para analizar los mercados financieros
Registro
Entrada
Usted acepta la política del sitio web y las condiciones de uso
Si no tiene cuenta de usuario, regístrese
Implementación de ONNX Runtime IoT en Raspberry Pi
Implementación de ONNX Runtime IoT en Raspberry Pi
En este video titulado "ONNX Runtime IoT Deployment on Raspberry Pi", el presentador demuestra cómo implementar un ONNX Runtime para un modelo de visión por computadora en una Raspberry Pi usando un modelo Mobilenet optimizado para el dispositivo. El video cubre el proceso de conexión a Raspberry Pi usando el visor VNC, configurándolo y ejecutando una prueba de cámara usando OpenCV y Python. El presentador captura una imagen, ejecuta la inferencia e imprime las cinco clases principales previstas, que identifican correctamente la pluma estilográfica en la imagen. En general, el video proporciona una guía útil para implementar ONNX Runtime en una Raspberry Pi para aplicaciones de visión artificial.
Cómo instalar ONNX Runtime en Raspberry Pi
Cómo instalar ONNX Runtime en Raspberry Pi
El video proporciona una guía detallada sobre cómo instalar ONNX Runtime en Raspberry Pi. Después de descargar e instalar Raspbian Stretch en Raspberry Pi, el usuario debe instalar el paquete estático de usuario de Docker y QMU, crear un directorio de compilación y ejecutar un comando para obtener el paquete de ruedas ONNX Runtime, que se puede instalar a través de pip. El video también explica cómo probar ONNX Runtime utilizando una red neuronal profunda entrenada en el conjunto de datos MNIST y cómo calcular el tiempo necesario para ejecutar una sesión de inferencia en una sola imagen. El orador señala que el proceso puede ser largo y complicado, pero vale la pena por la capacidad de implementar y probar redes neuronales en dispositivos periféricos.
Clasificación de imágenes trabajando en Raspberry Pi con varios modelos de MobileNet ONNX
Clasificación de imágenes trabajando en Raspberry Pi con varios modelos de MobileNet ONNX
Realice la clasificación de imágenes en Raspberry Pi 4 en ONNX Runtime usando 3 patrones de modelos MobileNet V1 ONNX.
La clasificación se realiza en 7ms, dependiendo del modelo utilizado.
SSDLite Mobilenet V2 en ONNX Runtime trabajando en Raspberry Pi 4
SSDLite Mobilenet V2 en ONNX Runtime trabajando en Raspberry Pi 4
SSDLite Mobilenet V2 en ONNX Runtime trabajando en Raspberry Pi 4 sin aceleración de hardware.
SSDLite Mobilenet V1 0.75 profundidad en ONNX Runtime trabajando en Raspberry Pi 4
SSDLite Mobilenet V1 0.75 profundidad en ONNX Runtime trabajando en Raspberry Pi 4
SSDLite Mobilenet V1 0.75 de profundidad en ONNX Runtime trabajando en Raspberry Pi 4 sin aceleración de hardware.
Tiny-YOLOv3 en ONNX Runtime trabajando en Raspberry Pi 4
Tiny-YOLOv3 en ONNX Runtime trabajando en Raspberry Pi 4
Tiny-YOLOv3 en ONNX Runtime trabajando en Raspberry Pi 4 sin aceleración de hardware.
Clasificación y detección de objetos de Raspberry Pi 4 con tiempo de ejecución ONNX optimizado
Clasificación y detección de objetos de Raspberry Pi 4 con tiempo de ejecución ONNX optimizado
Realice la clasificación de imágenes en Raspberry Pi 4 en ONNX Runtime:
Detección de objetos Raspberry Pi 4 con tiempo de ejecución ONNX optimizado (finales de 2020)
Detección de objetos Raspberry Pi 4 con tiempo de ejecución ONNX optimizado (finales de 2020)
Hardware: Frambuesa Pi 4B
Sistema operativo: sistema operativo Raspberry Pi (32 bits)
Software: ONNX Runtime 1.4.0 con proveedor de ejecución personalizado (acelerado por CPU)
Modelos:
http://download.tensorflow.org/models/object_detection/ssd_mobilenet_v1_0.75_ depth_300x300_coco14_sync_2018_07_03.tar.gz
http://download.tensorflow.org/models/object_detection/ssdlite_mobilenet_v2_coco_2018_05_09.tar.gz|
https://github.com/onnx/models/blob/main/vision/object_detection_segmentation/tiny-yolov3/model/tiny-yolov3-11.onnx
Tiny-YOLOv3 en ONNX Runtime trabajando en Raspberry Pi 4
Tiny-YOLOv3 en ONNX Runtime trabajando en Raspberry Pi 4
Tiny-YOLOv3 en ONNX Runtime trabajando en Raspberry Pi 4 sin aceleración de hardware.
¡Detección autónoma de objetos de conducción en Raspberry Pi 4!
¡Detección autónoma de objetos de conducción en Raspberry Pi 4!
En este tutorial, el instructor demuestra los pasos necesarios para configurar Raspberry Pi 4 para la detección de objetos con una red neuronal entrenada para conducción autónoma. Esto incluye la clonación del repositorio, la configuración de un entorno virtual, la instalación de dependencias como GPIO, OpenCV y TensorFlow, y la configuración del módulo de la cámara Raspberry Pi. A continuación, el instructor demuestra la conexión de un LED y un botón a la Pi y la ejecución de un script de Python para capturar imágenes con detección de objetos. Finalmente, el usuario puede realizar ajustes en el archivo rc por lotes para ejecutar el script en el arranque y grabar secuencias con las imágenes guardadas en la ruta de salida.