![MQL5 - MetaTrader 5 müşteri terminalinde yerleşik ticaret stratejileri dili](https://c.mql5.com/i/registerlandings/logo-2.png)
Ticaret fırsatlarını kaçırıyorsunuz:
- Ücretsiz ticaret uygulamaları
- İşlem kopyalama için 8.000'den fazla sinyal
- Finansal piyasaları keşfetmek için ekonomik haberler
Kayıt
Giriş yap
Gizlilik ve Veri Koruma Politikasını ve MQL5.com Kullanım Şartlarını kabul edersiniz
Hesabınız yoksa, lütfen kaydolun
ONNX Çalışma Zamanı Raspberry Pi'ye nasıl kurulur
ONNX Çalışma Zamanı Raspberry Pi'ye nasıl kurulur
Video, ONNX Runtime'ın Raspberry Pi'ye nasıl kurulacağına dair ayrıntılı bir kılavuz sunar. Raspberry Pi üzerinde Raspbian Stretch'i indirip kurduktan sonra, kullanıcının Docker ve QMU kullanıcı statik paketini kurması, bir derleme dizini oluşturması ve pip aracılığıyla kurulabilen ONNX Runtime tekerlek paketini almak için bir komut çalıştırması gerekir. Video ayrıca, MNIST veri kümesi üzerinde eğitilmiş derin bir sinir ağı kullanılarak ONNX Runtime'ın nasıl test edileceğini ve tek bir görüntü üzerinde bir çıkarım oturumu çalıştırmak için geçen sürenin nasıl hesaplanacağını da açıklıyor. Konuşmacı, sürecin uzun ve karmaşık olabileceğini, ancak uç cihazlarda sinir ağlarını dağıtma ve test etme yeteneği için buna değdiğini belirtiyor.
Çeşitli MobileNet ONNX modelleri ile Raspberry Pi üzerinde çalışan Görüntü Sınıflandırma
Çeşitli MobileNet ONNX modelleri ile Raspberry Pi üzerinde çalışan Görüntü Sınıflandırma
MobileNet V1 ONNX modellerinin 3 modelini kullanarak Raspberry Pi 4'te ONNX Runtime'da görüntü sınıflandırması gerçekleştirin.
Kullanılan modele bağlı olarak 7 ms'de yapılan sınıflandırma.
Raspberry Pi 4 üzerinde çalışan ONNX Runtime üzerinde SSDLite Mobilenet V2
Raspberry Pi 4 üzerinde çalışan ONNX Runtime üzerinde SSDLite Mobilenet V2
Raspberry Pi 4 üzerinde donanım hızlandırması olmadan çalışan ONNX Runtime üzerinde SSDLite Mobilenet V2.
Raspberry Pi 4 üzerinde çalışan ONNX Runtime üzerinde SSDLite Mobilenet V1 0.75 derinliği
Raspberry Pi 4 üzerinde çalışan ONNX Runtime üzerinde SSDLite Mobilenet V1 0.75 derinliği
ONNX Runtime üzerinde SSDLite Mobilenet V1 0.75 derinliği, Raspberry Pi 4 üzerinde donanım hızlandırması olmadan çalışıyor.
Raspberry Pi 4 üzerinde çalışan ONNX Runtime üzerinde Tiny-YOLOv3
Raspberry Pi 4 üzerinde çalışan ONNX Runtime üzerinde Tiny-YOLOv3
Raspberry Pi 4 üzerinde donanım hızlandırması olmadan çalışan ONNX Runtime üzerinde Tiny-YOLOv3.
Optimize Edilmiş ONNX Çalışma Zamanı ile Raspberry Pi 4 Sınıflandırma ve Nesne Tespiti
Optimize Edilmiş ONNX Çalışma Zamanı ile Raspberry Pi 4 Sınıflandırma ve Nesne Tespiti
Raspberry Pi 4'te ONNX Runtime'da görüntü sınıflandırması gerçekleştirin:
Optimize Edilmiş ONNX Çalışma Zamanı ile Raspberry Pi 4 Nesne Algılama (2020 Sonu)
Optimize Edilmiş ONNX Çalışma Zamanı ile Raspberry Pi 4 Nesne Algılama (2020 Sonu)
Donanım : Raspberry Pi 4B
İşletim Sistemi: Raspberry Pi İşletim Sistemi (32bit)
Yazılım: Özel yürütme sağlayıcılı ONNX Runtime 1.4.0 (CPU hızlandırmalı)
modeller:
http://download.tensorflow.org/models/object_detection/ssd_mobilenet_v1_0.75_support_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
Raspberry Pi 4 üzerinde çalışan ONNX Runtime üzerinde Tiny-YOLOv3
Raspberry Pi 4 üzerinde çalışan ONNX Runtime üzerinde Tiny-YOLOv3
Raspberry Pi 4 üzerinde donanım hızlandırması olmadan çalışan ONNX Runtime üzerinde Tiny-YOLOv3.
Raspberry Pi 4'te Otonom Sürüş Nesnesi Algılama!
Raspberry Pi 4'te Otonom Sürüş Nesnesi Algılama!
Bu eğitimde eğitmen, Raspberry Pi 4'ü otonom sürüş eğitimi almış bir sinir ağıyla nesne algılaması için yapılandırmak için gereken adımları gösteriyor. Bu, depoyu klonlamayı, sanal bir ortam kurmayı, GPIO, OpenCV ve TensorFlow gibi bağımlılıkları kurmayı ve Raspberry Pi kamera modülünü yapılandırmayı içerir. Daha sonra eğitmen, Pi'ye bir LED ve basmalı düğme bağlamayı ve nesne algılamalı görüntüleri yakalamak için bir Python komut dosyası çalıştırmayı gösterir. Son olarak kullanıcı, komut dosyasını önyükleme sırasında çalıştırmak ve çıktı yoluna kaydedilen görüntülerle görüntüleri kaydetmek için toplu rc dosyasında ayarlamalar yapabilir.
Nesne Tespiti için Raspberry Pi'de TensorFlow Lite Nasıl Çalıştırılır
Nesne Tespiti için Raspberry Pi'de TensorFlow Lite Nasıl Çalıştırılır
Öğretici, nesne algılama için bir Raspberry Pi'de TensorFlow Lite'ın nasıl kurulacağını açıklar. Bu, Pi'nin güncellenmesini, kamera arayüzünün etkinleştirilmesini, GitHub deposunun indirilmesini, sanal bir ortam yaratılmasını, TensorFlow ve OpenCV'nin kurulmasını ve gerekli tüm paketleri ve bağımlılıkları kurmak için bir kabuk betiği çalıştırmayı içerir. Kullanıcılar, Google tarafından sağlanan örnek bir modeli indirebilir veya kendi özel modellerini eğitebilir. Model hazır olduğunda kullanıcılar Python 3'te bir kod çalıştırarak gerçek zamanlı web kamerası algılama betiklerini, video ve resimlerde algılamayı görebilirler. TensorFlow Lite'ın geliştirilmiş hızı, onu akıllı kameralar veya alarm sistemleri gibi gerçek zamanlı algılama uygulamaları için kullanışlı hale getirir. İçerik oluşturucu ayrıca kendi evcil hayvan dedektörü projesinden bahseder ve izleyicileri Coral USB hızlandırıcının kurulumuyla ilgili bir sonraki video için bizi izlemeye teşvik eder.
Açıklamaya girin ve indirmek için "W git" ve çıkartma için "unzip" kullanarak terminalde çalıştırın. Ayrıca konuşmacı, bir algılama modeli eğitmek ve onu TensorFlow Lite'a dönüştürmek isteyen kullanıcılar için GitHub'da yazılı bir kılavuz sağlar. Model hazır olduğunda kullanıcılar Python 3'te bir kod çalıştırarak gerçek zamanlı web kamerası algılama betiklerini, video ve resimlerde algılamayı görebilirler. Konuşmacı ayrıca bir sonraki videoda Google'ın koro USB hızlandırıcısını kullanarak algılama hızında nasıl büyük bir artış elde edileceğini açıklayacaklarını belirtti.