Você está perdendo oportunidades de negociação:
- Aplicativos de negociação gratuitos
- 8 000+ sinais para cópia
- Notícias econômicas para análise dos mercados financeiros
Registro
Login
Você concorda com a política do site e com os termos de uso
Se você não tem uma conta, por favor registre-se
Implantação de IoT em tempo de execução ONNX no Raspberry Pi
Implantação de IoT em tempo de execução ONNX no Raspberry Pi
Neste vídeo intitulado "ONNX Runtime IoT Deployment on Raspberry Pi", o apresentador demonstra como implantar um ONNX Runtime para um modelo de visão computacional em um Raspberry Pi usando um modelo Mobilenet otimizado para o dispositivo. O vídeo aborda o processo de conexão ao Raspberry Pi usando o visualizador VNC, configurando-o e executando um teste de câmera usando OpenCV e Python. O apresentador captura uma imagem, executa a inferência e imprime as cinco principais classes previstas, que identificam corretamente a caneta-tinteiro na imagem. No geral, o vídeo fornece um guia útil para implantar o ONNX Runtime em um Raspberry Pi para aplicativos de visão computacional.
Como instalar o ONNX Runtime no Raspberry Pi
Como instalar o ONNX Runtime no Raspberry Pi
O vídeo fornece um guia detalhado sobre como instalar o ONNX Runtime no Raspberry Pi. Depois de baixar e instalar o Raspbian Stretch no Raspberry Pi, o usuário precisa instalar o pacote estático do usuário Docker e QMU, criar um diretório de compilação e executar um comando para obter o pacote ONNX Runtime wheel, que pode ser instalado via pip. O vídeo também explica como testar o ONNX Runtime usando uma rede neural profunda treinada no conjunto de dados MNIST e como calcular o tempo necessário para executar uma sessão de inferência em uma única imagem. O palestrante observa que o processo pode ser demorado e complicado, mas vale a pena pela capacidade de implantar e testar redes neurais em dispositivos de ponta.
Classificação de imagem trabalhando em Raspberry Pi com vários modelos MobileNet ONNX
Classificação de imagem trabalhando em Raspberry Pi com vários modelos MobileNet ONNX
Execute a classificação de imagens no Raspberry Pi 4 no ONNX Runtime usando 3 padrões de modelos MobileNet V1 ONNX.
A classificação é feita em 7ms, dependendo do modelo utilizado.
SSDLite Mobilenet V2 no ONNX Runtime funcionando no Raspberry Pi 4
SSDLite Mobilenet V2 no ONNX Runtime funcionando no Raspberry Pi 4
SSDLite Mobilenet V2 em ONNX Runtime funcionando em Raspberry Pi 4 sem aceleração de hardware.
SSDLite Mobilenet V1 0,75 de profundidade no ONNX Runtime funcionando no Raspberry Pi 4
SSDLite Mobilenet V1 0,75 de profundidade no ONNX Runtime funcionando no Raspberry Pi 4
SSDLite Mobilenet V1 0,75 de profundidade em ONNX Runtime trabalhando em Raspberry Pi 4 sem aceleração de hardware.
Tiny-YOLOv3 no ONNX Runtime trabalhando no Raspberry Pi 4
Tiny-YOLOv3 no ONNX Runtime trabalhando no Raspberry Pi 4
Tiny-YOLOv3 no ONNX Runtime funcionando no Raspberry Pi 4 sem aceleração de hardware.
Raspberry Pi 4 Classificação e Detecção de Objetos com ONNX Runtime Otimizado
Raspberry Pi 4 Classificação e Detecção de Objetos com ONNX Runtime Otimizado
Execute a classificação de imagens no Raspberry Pi 4 no ONNX Runtime:
Detecção de objetos Raspberry Pi 4 com tempo de execução ONNX otimizado (final de 2020)
Detecção de objetos Raspberry Pi 4 com tempo de execução ONNX otimizado (final de 2020)
Hardware: Raspberry Pi 4B
SO: Raspberry Pi OS (32 bits)
Software: ONNX Runtime 1.4.0 com provedor de execução 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 no ONNX Runtime trabalhando no Raspberry Pi 4
Tiny-YOLOv3 no ONNX Runtime trabalhando no Raspberry Pi 4
Tiny-YOLOv3 no ONNX Runtime funcionando no Raspberry Pi 4 sem aceleração de hardware.
Detecção autônoma de objetos de direção no Raspberry Pi 4!
Detecção autônoma de objetos de direção no Raspberry Pi 4!
Neste tutorial, o instrutor demonstra as etapas necessárias para configurar o Raspberry Pi 4 para detecção de objetos com uma rede neural treinada de direção autônoma. Isso inclui clonar o repositório, configurar um ambiente virtual, instalar dependências como GPIO, OpenCV e TensorFlow e configurar o módulo de câmera Raspberry Pi. Em seguida, o instrutor demonstra como conectar um LED e um botão ao Pi e executar um script Python para capturar imagens com detecção de objetos. Por fim, o usuário pode fazer ajustes no arquivo rc em lote para executar o script na inicialização e gravar imagens com as imagens salvas no caminho de saída.