目标检测模型从训练到部署！

最新推荐文章于 2025-05-21 09:53:05 发布

原创

最新推荐文章于 2025-05-21 09:53:05 发布 · 2.7k 阅读

30 ·

CC 4.0 BY-SA版权

文章标签：

#嵌入式 #python #人工智能 #深度学习 #机器学习

本文介绍了如何准备数据集，使用GPU或在线平台训练目标检测模型，特别是Yolo V2算法，并详细讲解了如何将模型部署到嵌入式设备K210上，包括固件烧录、模型参数加载等步骤，最后提供了模型推理脚本和实践中的思考问题。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

Datawhale干货

作者：张强，Datawhale成员

训练目标检测模型并部署到你的嵌入式设备，让边缘设备长“眼睛”。

目标检测的任务是找出图像中所有感兴趣的目标（物体），确定它们的类别和位置，是计算机视觉领域的核心问题之一。目标检测已应用到诸多领域，比如如安防、无人销售、自动驾驶和军事等。在许多情况下，运行目标检测程序的设备并不是常用的电脑，而是仅包含必要外设的嵌入式设备。别看嵌入式设备简陋，但在上面照样能够跑程序，实现我们的想法。设计一个嵌入式AI产品产品，一般会首先考虑成本，在有限的成本内充分利用硬件的性能。因此，不同高低性能的硬件使用场景各不同。

上篇我们讲到如何部署一个基础CNN分类模型来识别数字，本篇更进一步，将带你训练一个手势检测器，并将其部署到嵌入式设备上。

本文思维导图如下：

01 数据集准备

我们使用一个开源数据集平台：https://gas.graviti.com/ ，网站汇总了AI开发者常见的公开数据集，针对我们特定任务，搜索对应的数据集即可，更方便一点，调用其SDK就能直接在线训练。

a. 打开本文对应数据集链接 https://gas.graviti.com/dataset/datawhale/HandPoseforK210

b. 右上角注册登录

c. fork数据集

d. 点击网页上方Developer Tools，获取使用SDK所需的AccessKey，获取到 AccessKey 后，将其存在项目根目录的gas_key.py里：

KEY = "<Your-Key>"

然后即可以通过AccessKey可以上传数据、读取数据、使用数据，灵活对接模型开发和训练，与数据pipeline快速集成。

e. AccessKey写入后就可以自由读取数据了。读取前可以开启缓存功能，SDK会在读取data后将其自动缓存至指定路径，此处我们设置缓存路径为data文件夹。

import numpy as np
from PIL import Image

from tensorbay import GAS
from tensorbay.dataset import Dataset

KEY = '复制你的ACCESSKEY替换'
def read_gas_image(data):
    with data.open() as fp:
        image = Image.open(fp)
        image.load()
    return np.array(image)

gas = GAS(KEY)
dataset = Dataset("HandPose", gas)
dataset.enable_cache("data")
segments = dataset.keys()
segment = dataset["train"]

for data in segment:
    # 获取的Numpy格式的图片数据
    image = read_gas_image(data)
    # 标签数据
    for label_box2d in data.label.box2d:
        xmin = label_box2d.xmin
        ymin = label_box2d.ymin
        xmax = label_box2d.xmax
        ymax = label_box2d.ymax
        box2d_category = label_box2d.category