Vous manquez des opportunités de trading :
- Applications de trading gratuites
- Plus de 8 000 signaux à copier
- Actualités économiques pour explorer les marchés financiers
Inscription
Se connecter
Vous acceptez la politique du site Web et les conditions d'utilisation
Si vous n'avez pas de compte, veuillez vous inscrire
Classification d'images fonctionnant sur Raspberry Pi avec divers modèles MobileNet ONNX
Classification d'images fonctionnant sur Raspberry Pi avec divers modèles MobileNet ONNX
Effectuez la classification des images sur Raspberry Pi 4 à ONNX Runtime en utilisant 3 modèles de modèles MobileNet V1 ONNX.
La classification se fait en 7ms, selon le modèle utilisé.
SSDLite Mobilenet V2 sur ONNX Runtime fonctionnant sur Raspberry Pi 4
SSDLite Mobilenet V2 sur ONNX Runtime fonctionnant sur Raspberry Pi 4
SSDLite Mobilenet V2 sur ONNX Runtime fonctionnant sur Raspberry Pi 4 sans accélération matérielle.
SSDLite Mobilenet V1 0.75 profondeur sur ONNX Runtime fonctionnant sur Raspberry Pi 4
SSDLite Mobilenet V1 0.75 profondeur sur ONNX Runtime fonctionnant sur Raspberry Pi 4
Profondeur SSDLite Mobilenet V1 0.75 sur ONNX Runtime fonctionnant sur Raspberry Pi 4 sans accélération matérielle.
Tiny-YOLOv3 sur ONNX Runtime fonctionnant sur Raspberry Pi 4
Tiny-YOLOv3 sur ONNX Runtime fonctionnant sur Raspberry Pi 4
Tiny-YOLOv3 sur ONNX Runtime fonctionnant sur Raspberry Pi 4 sans accélération matérielle.
Classification et détection d'objets Raspberry Pi 4 avec exécution ONNX optimisée
Classification et détection d'objets Raspberry Pi 4 avec exécution ONNX optimisée
Effectuez la classification des images sur Raspberry Pi 4 à ONNX Runtime :
Détection d'objets Raspberry Pi 4 avec exécution ONNX optimisée (fin 2020)
Détection d'objets Raspberry Pi 4 avec exécution ONNX optimisée (fin 2020)
Matériel : Raspberry Pi 4B
Système d'exploitation : système d'exploitation Raspberry Pi (32 bits)
Logiciel : ONNX Runtime 1.4.0 avec fournisseur d'exécution personnalisé (CPU accéléré)
Des modèles:
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 sur ONNX Runtime fonctionnant sur Raspberry Pi 4
Tiny-YOLOv3 sur ONNX Runtime fonctionnant sur Raspberry Pi 4
Tiny-YOLOv3 sur ONNX Runtime fonctionnant sur Raspberry Pi 4 sans accélération matérielle.
Détection d'objets de conduite autonome sur le Raspberry Pi 4 !
Détection d'objets de conduite autonome sur le Raspberry Pi 4 !
Dans ce didacticiel, l'instructeur montre les étapes nécessaires pour configurer le Raspberry Pi 4 pour la détection d'objets avec un réseau neuronal formé à la conduite autonome. Cela inclut le clonage du référentiel, la configuration d'un environnement virtuel, l'installation de dépendances telles que GPIO, OpenCV et TensorFlow, et la configuration du module de caméra Raspberry Pi. Ensuite, l'instructeur montre comment connecter une LED et un bouton-poussoir au Pi et exécuter un script Python pour capturer des images avec détection d'objet. Enfin, l'utilisateur peut apporter des modifications au fichier batch rc pour exécuter le script au démarrage et enregistrer des séquences avec les images enregistrées dans le chemin de sortie.
Comment exécuter TensorFlow Lite sur Raspberry Pi pour la détection d'objets
Comment exécuter TensorFlow Lite sur Raspberry Pi pour la détection d'objets
Le tutoriel explique comment configurer TensorFlow Lite sur un Raspberry Pi pour la détection d'objets. Cela implique la mise à jour du Pi, l'activation de l'interface de la caméra, le téléchargement du référentiel GitHub, la création d'un environnement virtuel, l'installation de TensorFlow et OpenCV, et l'exécution d'un script shell pour installer tous les packages et dépendances requis. Les utilisateurs peuvent télécharger un exemple de modèle fourni par Google ou former leur propre modèle personnalisé. Une fois le modèle prêt, les utilisateurs peuvent exécuter un code sur Python 3 pour voir leur script de détection de webcam en temps réel, la détection sur les vidéos et les images. La vitesse améliorée de TensorFlow Lite le rend utile pour les applications de détection en temps réel, telles que les caméras intelligentes ou les systèmes d'alarme. Le créateur mentionne également son propre projet de détecteur d'animaux de compagnie et encourage les téléspectateurs à rester à l'écoute pour leur prochaine vidéo sur la configuration de l'accélérateur Coral USB.
dans la description et exécutez-le sur le terminal en utilisant "W git" pour le téléchargement et "unzip" pour l'extraction. De plus, le conférencier fournit un guide écrit sur GitHub pour les utilisateurs qui souhaitent former un modèle de détection et le convertir en TensorFlow Lite. Une fois le modèle prêt, les utilisateurs peuvent exécuter un code sur Python 3 pour voir leur script de détection de webcam en temps réel, la détection sur les vidéos et les images. L'orateur a également mentionné qu'ils expliqueront comment obtenir une énorme augmentation de la vitesse de détection en utilisant l'accélérateur USB choral de Google dans leur prochaine vidéo.
Comment configurer la détection d'objets TensorFlow sur le Raspberry Pi
Comment configurer la détection d'objets TensorFlow sur le Raspberry Pi
Dans cette vidéo, le processus de configuration de l'API de détection d'objets TensorFlow sur un Raspberry Pi est expliqué étape par étape. Tout d'abord, les packages requis sont installés, y compris TensorFlow, OpenCV et protobuf. Ensuite, la structure TensorFlow est configurée et les modèles SSD Lite sont téléchargés à partir du zoo de modèles de détection TensorFlow. Un script Python pour la détection d'objets est fourni et les spectateurs apprennent à l'utiliser avec une caméra Pi ou une webcam USB. La vidéo couvre également des sujets plus avancés, tels que le téléchargement et l'utilisation d'un modèle personnalisé. Le Raspberry Pi est recommandé pour les projets créatifs qui nécessitent un faible coût et une portabilité, comme une chatière numérique qui peut envoyer un message lorsqu'elle détecte le chat résident à l'extérieur.