Google 为 Safari 推出 Beta 版 Google Gears

rk3399pro_(2)YOLOv5移植 本文介绍yolov5s在瑞芯微rk3399pro上部署推理的过程,并对整个流程以及踩坑录。移植流程 阅读详情

Google 最近实现了今年5月份的一个承诺,为苹果公司的 Safari 浏览器推出开源的 Gears 插件,Gears 技术为浏览器带来更多功能,如离线状态下使用网站功能。

Google 宣布推出一个 Beta 版的 Safari Gears(DMG文件下载)。Google 的 Jeremy Moskovich 希望 Safari 用户下载并使用该测试版,发现其中的问题,以便 Google 进一不完善这个产品。

Gears 扩展了浏览器本身的功能,比如,Google Docs 可以在离线状态下编辑或查看,Gears 还可以加速 WordPress 以及 MySpace 的操作。Google Gears 还对 Google 的地理信息服务以及其它服务的功能进行了扩展。

该程序需要 Mac OS X Tiger 10.4.11 或 Leopard 10.5.3 上的 Safari 3.1.1。Gears 已经支持 Firefox 和 IE,而 Opera 正在为其桌面和移动浏览器同时提供 Gears 支持。

本文国际来源:http://news.cnet.com/8301-17939_109-10026926-2.html?tag=mncol;title
中文翻译来源:COMSHARP CMS 官方网站


瑞芯微的RK3399pro上运行YOLOv8模型 瑞芯微(Rockchip)成立于2001年,是一家专注于半导体芯片设计和研发的公司。作为中国领先的集成电路设计企业之一,瑞芯微在全球范围内拥有广泛的客户群体和市场份额。公司致力于为智能终端设备提供高性能、低功耗的芯片解决方案,并在多个领域取得了显著的成就。​在公司背景方面,瑞芯微拥有强大的研发团队和先进的技术实力。公司在芯片设计、集成电路制造、系统软件开发等方面具备全方位的能力,能够为客户提供全面的解决方案。 阅读详情

相关推荐

yolov5-6.2 在 rk3399pro 上的移植

yolov5-6.2 在 rk3399pro 上的移植

zhaotun123的博客 1543

基于RK3399+YOLO目标检测人工智能图像系统设计

算法将图像的像素矩阵通过卷积和池化处理提取出特征信息,在全连接层对图像进行类。型移植到嵌入式平台上,对目标检测系统平台进行测试,通过对图像的各项参数和目标。检测的准确率等指标分析,并得出实验结论,证明该目标检测系统可以有效增强图像,部分:采集模块,算法处理模块,存储模块,通信模块和显示模块。同时将几种基于神经网络的目标检测算法进行性能对比,选择。训练学习时,像素矩阵经过卷积和池化处理后提取出图像中物体的特征信息,全连接层。出层通过目标物体的预测值及损失函数计算出物体所属类别的概率,通过进行比较,将。

YEYUANGEN的专栏 3404

瑞芯微 TB-RK3399Pro --基于YOLOv4的销钉缺陷检测(Detection of Pin Defects)

销钉缺陷检测(Defect-Detection Method of Pins) 电力金具上销钉松动、缺失等常见缺陷严重影响着电力系统的稳定运行, 而该类缺陷的检测方式主要依赖于人工标注,致使效率低下。电力金具作为架空输电线路不可缺少的一部分,在电力系统中负责地线与杆塔、输电导线与绝缘子、杆塔与绝缘子等电力部件的连接,对系统的安全稳定运行起着重要作用。然而由于多数电力金具除了要在环境恶劣的户外工作,还要长期承受外部机械负荷张力和电力系统内部的电力负荷的作用,使得金具上的销钉容易出现缺失或者松动等缺陷,影响电网

dao_0123的博客 2949

Firefly AIO-3399ProC实现yolov3_tiny的部署

yolov3_tiny模型转换与开发板上进行推理 承接前面的环境配置,今天将一个在开发板上已经部署的比较成功的yolov3_tiny模型给分享出来,主要介绍部署的过程和对实际推理效果进行展示,由于目前在对其他模型进行转换部署时,遇到了诸多问题,所以希望同有对RK3399开发需求的朋友们也多留下些自己的开发心得,大家能相互讨论和学习下。 一、yolov3_tiny原理简介 1.结构展示 网上有关yolo系列原理详解的文章数不胜数,其中许多都讲解的比较清晰易懂,所以这里就不在进行详细的叙述,大家可以去查看一些相

HTS514286的博客 1394

RK3399pro使用npu部属yolov5目标检测

是指把当前目录映射到docker容器的/test目录内,这样当要和docker容器内部进行文件传输时,只需把需要传输的文件放到当前目录,就能在 docker 容器内的 /test 目录看到,反之亦然。3、rknn toolkit,rknn即瑞星微npu上使用的神经网络模型,rknn toolkit是其python开发包,onnx格式模型转出rknn需要用到。最近的任务是用C++在板子上部属目标检测算法,板子的完整名称是AIO-3399pro-JD4,如果你的核心板是3399pro,那使用方法应该是一样的。

jsangaaa的博客 1470

36、RK3399Pro 环境搭建和Yolov5 c++调用opencv进行RKNN模型部署和使用

在上一篇博客基础上,进一步配置rknn-toolit,但是我想把 PC的rknn-toolkit也安装在开发板上,这样就在开发板上进行操作即可。第一步:因为系统是python3.8,因为官方没有提供python3.8的rknn的版本,需要安装anconda环境构建python3.6。链接: https://pan.baidu.com/s/1hrcr8Fc2sboD1_uy8T1Z8Q 提取码: e4wq。下载anconda包,进行安装成功,然后构建环境。第二步:参考上一篇博客。...

sxj731533730 7188

谷歌chrome历史版_Google Chrome离开测试版

谷歌chrome历史版Just over three months after launching their browser, Google has removed the beta tag from Chrome. This might be the quickest a Google product has dropped the beta from its moniker — Gmail...

culi3182的博客 222

RK3399平台开发系列讲解(系统篇)1.23、新yolo算法在rk平台上的挣扎历程

本文档记录总结了新版yolo算法在RK平台上部署过程。主要解决的问题在于版本的匹配,其次是网络的重建,最后是输出的处理。其中RK平台目前最新toolkit是1.4.1,对于本人熟悉的pytorch深度学习框架仅支持1.2版本(目前最新为1.7)。直接套用原始的代码在实验中出现了结果完全无法对应的情况(我愿称之为:玄学),因此对网络的重建以及原子操作的拆分很重要,由此确保结果的一致。最后,RK平台的工具只支持4维向量的操作,但yolo算法最后一层为5维向量,无法直接完成输出转换,由此需要后期自行处理。 本文是

内核笔记 3297

瑞芯微 TB-RK3399Pro --YOLOV3开发与优化攻略实现

概述 基于RKNN开发 搭建开发环境 训练自己的数据 基于Darknet开发 展望 人工智能开发系列(3) YOLOV3开发与实现 一、概述 物体检测 传统的人工设计特征加浅层分类器 基于深度学习检测框架 R-CNN:候选区域选择CNN特征提取分类与边界回归 **Fast RCNN:**候选余秋雨选择整图CNN特征值提取,候选框在特征图上的映射分类 **Faster RCNN:**区域生成网络RPN候选框提取模块+Fast RCNN检测模块(RPN是全卷积神经网络) YOLOV3: 一阶段的检测器,全卷积

荪荪的博客 9664

RK3399开发资料

RK3399开发资料,需要的可以自己下载,由于是从别人那里下载的,所以积分就少一些,只要五个积分!很好的资料了!

SSD3 Exercise5 答案

SSD3 Exercise5 答案,直接可以提交

yolov8移植到rk3399开发板

手头上有一块RK3399开发板,由于RK3399不带NPU,因此只能跑yolo系列的一些轻量模型,之前用RK3399跑yolov5s模型,以前的模型都是别人转好并且封装成库,我这边只负责调用,最近刚好打算学习一下yolo,因此分别在开发板上移植了yolov5s和yolov8n模型。,个人没有数据集,也懒得网上买,就自己随便在网上下载了一些图片,使用labelimg进行标注,大概标注了40张数据,主要是为了跑通流程而已。在用来放图片,在用来存放标注的数据。

云山散人 1215

yolov5+Deepsort部署于rk3588和rk3399pro开发板C++完整源码(车辆行人跟踪)+模型+部署文档.zip

yolov5+Deepsort算法部署于rk3588和rk3399pro开发板C++完整源码(车辆行人检测跟踪)+rknn模型+操作说明文档.zip 【资源介绍】 改善了边界框漂移, 完善了当图中没有目标等其他情形出现的bug, 增加了对cost matrix出现nan时的处理 加入了隔帧检测的功能. 设置方法: 在./yolov5/include/detect.h中 将 const int det_interval = 1;改成期望的数值, 例如3, 表示每隔3帧检测一次, 这样可以显著提升速度. 同时, 也需要更改./deepsort/include/deepsort.h中line 39的const int track_interval = 1; , 数值要和检测的保持一致. 加入Re-ID多线程的功能 如果您不希望使用多线程, 则在./deepsort/src/deepsort.cpp中line 144的if (numOfDetections < 2) 改成if (true) 更多详细介绍请查看资源内的项目说明。按照步骤操作使用

yolov5部署到rk3399pro

pt转onnx的时候可带可不带sigmoid,带了的话在rknn推理的时候就不用写了,没带的话在推理的时候就要写,可以用netron对比一下带不带的模型结构区别。yolo.py里的Detect类对forward进行修改。rknn推理(去掉使用sigmoid的地方)onnx转为rknn的节点位置可能需要更改。上面给的的是不带的,下面是带的(输出节点位置根据自己的调整。onnx输出节点为3个。

weixin_48783288的博客 449

Unity Addressable资源缓存路径自定义指南:告别C盘爆满烦恼

本文详细介绍了如何自定义Unity Addressable系统的资源缓存路径,解决其默认存储在C盘导致的磁盘空间不足问题。通过配置CacheInitializationSettings并编写编辑器脚本,开发者可以将缓存迁移至项目目录,实现资源的集中管理,提升团队协作效率与开发环境一致性。

pytorch8learner的博客 475

23. STM32F103C8T6 ADC采集光敏电阻传感器模块光照强度实战

本文详细介绍了如何使用STM32F103C8T6的ADC模块采集光敏电阻传感器的光照强度。通过硬件接线、核心原理讲解、四步代码配置(GPIO、ADC模式、使能校准、数据滤波)以及串口验证,手把手指导完成从模拟信号到数字值的完整实战流程,并重点提示了ADC时钟分频等关键配置要点。

weixin_42300144的博客 223

如何快速上手RKNN-Toolkit2:5步完成第一个AI模型部署

RKNN-Toolkit2是一款强大的AI模型部署工具,专为Rockchip平台优化,支持多种深度学习框架模型转换与部署,帮助开发者快速实现AI应用落地。本文将通过5个简单步骤,带您完成从环境搭建到模型部署的全过程,让您轻松掌握RKNN-Toolkit2的核心使用方法。 ## 1. 准备环境:快速安装RKNN-Toolkit2 首先,您需要准备一个合适的开发环境。RKNN-Toolkit2支持

gitblog_00053的博客 1015

CosyVoice 本地部署详细教程 手把手小白教程

本文提供了详细的CosyVoice本地部署教程,强调了避免中文名称和空格的重要性,并列出了必要的软件安装步骤,包括CUDA、cuDNN、Git和Miniconda。教程涵盖了从检查CUDA版本到下载模型和运行模型的全过程,确保用户能够顺利部署并使用CosyVoice。

huazn612的博客 2万+

rk3399运行toybrik论坛上的yolov3_demo的c版本(解决libcurl-devel以及opencv的编译安装问题)

1.sudo dnf install libcurl-devel(解决debian10下libcurl-devel的安装问题) 我使用的是rk3399,在写这篇文章的时候,toybrick是建议我们将板子升级到debian10的,而且之前的fedora将不再维护 那么很简单的一件事就是运行sudo dnf install libcurl-devel是会报错的 dnf是用于安装rpm的安装包的,而libcurl-devel也属于rpm安装包 在debian10中是没有dnf,而且是用deb安装包的 而没办法.

universe_R的博客 1311

NeurIPS‘25新研究!PINN+GNN强强联手,模型精度飙升50%!

物理图神经网络研究取得重大进展!UCLA团队提出的PhysGNN架构在NeurIPS'2025上引发关注,该模型成功融合PINN的物理约束优势与GNN的图结构处理能力,解决了工程仿真中的关键瓶颈。研究显示,PhysGNN在城市热网预测中误差降低42%,电网负荷模拟的物理规则违反率下降68%。同步解析的SyncTREE模型则创新性地将RC树物理特性融入GNN,实现毫秒级IC时序分析;HSPGNN模型通过嵌入偏微分方程,显著提升多变量时间序列填补精度。

m0_73122726的博客 1023

Rclone替代RaiDrive?零广告免费挂载Alist WebDAV到Windows资源管理器(含自启脚本)

本文详细介绍了如何使用开源工具Rclone替代RaiDrive,实现零广告、全免费的Alist WebDAV挂载方案。通过深入解析配置参数、提供完整的自启动解决方案和解决常见问题,帮助用户在Windows资源管理器中高效管理云存储,提升使用体验。

weixin_33709364的博客 641

RK3399运行瑞芯微官方yolov5 C++代码

RK3399编译调试瑞芯微官方yolov5 C++代码 yolov5 C++代码代码地址 https://github.com/rockchip-linux/rknpu.git /rknn/rknn_api/example/rknn_yolov5_demo rknn 模型使用 rknpu/rknn/rknn_api/examples)/rknn_yolov5_demo/model/rk180x/yolov5s_relu_rk180x_out_opt.rknn 地址yolov5s_relu_rk180

xiangzheniunai的博客 6422

Python驱动COMSOL自动化:从数据生成到DNN代理模型部署全流程解析

本文详细解析了如何利用Python驱动COMSOL实现全流程自动化,从参数化建模、批量仿真数据生成,到训练深度神经网络(DNN)代理模型并部署应用。该方案通过自动化闭环解放工程师生产力,并利用代理模型实现秒级性能预测,极大提升了多物理场仿真优化与设计探索的效率。

weixin_29041767的博客 215

Web 打印在 Firefox 与 Safari:分页与样式差异实录

同一份单据在三个内核下出纸,逐项记录分页和边框差异。本文结合具体场景讲清做法、常见问题与可复用的实现思路。

一天拉了7遍的博客 211

通俗理解Xgboost

为了简化计算,XGBoost采用了一阶导数(梯度)和二阶导数(Hessian)来近似损失函数的变化,从而推导出叶子节点值的更新公式。其中 z 就是所有树的叶子节点分数之和。通过这两个正则化项,XGBoost能够在优化目标函数时,不仅考虑损失函数的最小化,还考虑了模型的复杂度,从而达到更好的泛化性能。正则化项通常包括两个部分:一个是与叶子节点数量相关的项,另一个是与叶子节点输出值大小相关的项。通过这种方式,XGBoost能够有效地计算出每个叶子节点的值,同时通过正则化项来平衡模型的复杂度和泛化能力。

金融风控笔记 755

【电源专题】案例:对比不同电池在不同电流下的电池放电曲线

无

一点硬件 2843
上一篇: Internet 另一超级漏洞被公布
下一篇: Opera 对 IE8 的批评是一种什么心理?
comsharp
博客等级 码龄20年 1475粉丝 41原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值