草庐IT

rknn_toolkit_lite

全部标签

yolov8 瑞芯微RKNN和地平线Horizon芯片仿真测试部署-2023年11月15日版本

  特别说明:参考官方开源的yolov8代码、瑞芯微官方文档、地平线的官方文档,如有侵权告知删,谢谢。  由于yolov8的官方代码结构进行了很大的调整,之前yolov8刚出来的时候写的部署博客,有网友反馈找不到对应的地方,基于截至2023年11月官方最新代码结构进行部署博客来了。写博文时使用的训练代码-版本到2023年11月15日。  之前给出过完整的部署仿真代码和模型,今天只对如何导出能上板端芯片,且效率高的流程进行梳理。  模型和完整仿真测试代码,放在github上参考链接模型和代码。  本篇博客中给出的示例,是基于船舶检测一个数据集进行训练的,只检测船舶一个类别,只是来验证流程,给出的

TensorFlow Lite,ML Kit 和 Flutter 移动深度学习:6~11

原文:MobileDeepLearningwithTensorFlowLite,MLKitandFlutter协议:CCBY-NC-SA4.0译者:飞龙本文来自【ApacheCN深度学习译文集】,采用译后编辑(MTPE)流程来尽可能提升效率。不要担心自己的形象,只关心如何实现目标。——《原则》,生活原则2.3.c六、构建人工智能认证系统认证是任何应用中最突出的功能之一,无论它是本机移动软件还是网站,并且自从保护数据的需求以及与机密有关的隐私需求开始以来,认证一直是一个活跃的领域。在互联网上共享的数据。在本章中,我们将从基于Firebase的简单登录到应用开始,然后逐步改进以包括基于人工智能(A

CUDA(CUDA Toolkit)、显卡算力、PyTorch版本之间的匹配

刚开始在Anaconda搞环境的时候没注意到这三者之间的对应关系,点进去CUDAToolkit的安装官网:CUDAToolkit12.1Downloads|NVIDIADeveloperResourcesCUDADocumentation/ReleaseNotesMacOSToolsTrainingSampleCodeForumsArchiveofPreviousCUDAReleasesFAQOpenSourcePackagesSubmitaBugTarballandZipArchiveDeliverableshttps://developer.nvidia.com/cuda-download

uni-app编译报caniuse-lite is outdated的处理方案

caniuse库过期问题的原因uni-app的编译器是基于npm的,依赖了众多包括mpvue、webpack在内的npm库,这些库又引用了一个三方库caniuser-lite。caniuser-lite这个库的代码里有个浏览器兼容数据的更新检查,过老的数据影响自动补齐css前缀。开发者平时写uni-app时并不需要手动补浏览器的css前缀,就是因为这个库在自动补前缀。这个库它自己每半年过期一次,过期后会报错如下:Browserslist:caniuse-liteisoutdated.Pleaserunnextcommandnpmupdatecaniuse-litebrowserslist``这

AMBA协议AXI-Lite(AXI-Lite从机代码设计)

文章目录一、设计思路1、什么时候发生写数据操作?2.什么时候发生数据读操作?3.如何根据AXI_WSTRB信号完成数据的写入?二、源码设计2.1写通道源码设计2.2读通道源码设计2.3模板代码三、仿真总结一、设计思路在设计开始之前,我们需要弄清楚以下几个问题:什么时候发生写数据操作?什么时候发生数据写操作?如何根据AXI_WSTRB信号完成数据的写入?1、什么时候发生写数据操作?  我们在第4-1节对AXI-Lite协议介绍后,分析了写数据发生的条件,那就是当写数据和写地址同时有效时,立即完成传输;  我们将上面的条件翻译一下,就是当AXI_AWVALID、AXI_AWREADY、AXI_WV

【RKNN】YOLO V5中pytorch2onnx,pytorch和onnx模型输出不一致,精度降低

在yolov5训练的模型,转onnx,再转rknn后,测试发现:rknn模型,量化与非量化,相较于pytorch模型,测试精度都有降低onnx模型,相较于pytorch模型,测试精度也有降低,且与rknn模型的精度更接近于是,根据这种测试情况,rknn模型的上游,就是onnx。onnx这里发现不对劲,肯定是这步就出现了问题。于是就查pytorch转onnx阶段,就存在转化的精度降低了。本篇就是记录这样一个过程,也请各位针对本文的问题,给一些建议,毕竟目前是发现了问题,同时还存在一些问题在。一、pytorch转onnx:torch.onnx.exportyolov5export.py:defex

【FPGA】AXI4-Lite总线读写BRAM

博主参考和学习的博客AXI协议基础知识。这篇博客比较详细地介绍了AXI总线,并且罗列了所有的通道和端口,写代码的时候可以方便地进行查表。AXI总线,AXI_BRAM读写仿真测试。这篇文章为代码的书写提供大致的思路,比如状态机和时序的控制问题,可以参考。valid-ready双向握手机制双向握手机制的实质是:数据接收方R告诉数据发送方T“我准备好接收数据了”,并拉高ready;同样的,数据发送方T告诉数据接收方R“我准备好发送数据了”,并拉高valid。数据发送方给出valid,数据接收方给出ready重点:只有在valid和ready同时拉高时,表面成功握手,数据才得以传输。【例】比如下图,当

android - CardView 中的 Google Map Lite

我一直在尝试获得一个非常基本的应用程序来使用MaterialDesign。我正在尝试创建一个ListView(使用新的RecyclerView),每个项目都是一个卡片女巫,里面有一个GoogleMapsLite。我基本上一直在关注这个例子:CreatingListsandCards,对于我一直在使用的谷歌地图实现thisexample当我在适配器中只有一个项目时,一切都“有效”(所以只有一个项目可以显示)但是当我向适配器添加第二个项目时(因此列表中应该有两个项目)应用程序崩溃,但出现以下异常:21158-21158/lollipop.auxilium.nl.lollipoptestE/