magic_ll的博客

量化的图片的shape和网络输入如果不一致，这里会自动resize，所以为了保证精度，我们的量化数据集的shape尽量与输入一致。我们需要注意下，对于RK1126相似系列的代码中模型转换时，模型build时，有个预编译参数，仿真时和端侧运行时的设置是不一致且不通用的。这里的buf的设置时，一定保证图片的大小和网络的输入是相同的尺寸。当然在其它芯片上的操作类似，差别会在具体的API的调用上。上图分别获取的内容：rk的版本信息、模型的输入输出数量的信息、输入节点相关的信息、输出节点相关的信息。

这里yolov5的onnx模型的推理，分别在 x64上 和 移动端上运行，前者在自己本地Ubuntu系统上运行，后者在瑞芯微的rk3566上运行。

工程链接：https://github.com/ultralytics/yolov51 环境安装、工程下载本人电脑已有环境：ubuntu18、cuda10.0、anaconda# 创建虚拟环境并激活conda create -n yolov5 python=3.6source activate yolov5# 下载工程并安装工程环境git clone https://github.com/ultralytics/yolov5 cd yolov5pip install -r requi

windows10上进行mediapipe的C++编译

前言deeplabv3是当前较为常用的语义分割的神经网络，且整个训练工程已经全部开源，使用公布的模型进行测试或基于自己的训练都可以得到一个较好的结果。1 工程准备环境【TITAN XP】+【Ubuntu】+【tensorflow-gpu-1.14】+【cuda10.2】(使用1.8.0及以上版本，低版本缺少函数，会报错) 下载包下载工程并解压https://github.com/tensorflow/models解压后，deeplabv3的工程在路径【./research/dee.

该篇内容是在对openpose的内容已经了解清楚的情况下，记录如何使用opencv中的dnn进行openpose的人体姿势的估计openpose的简单介绍openpose的详细内容，已经在之前的openpose论文翻译中介绍。 在下载模型权重文件后，预测过程主要分一下几步：(1) 读取模型、预测的图片，进行神经网络的预测，获取预测结果(2) 关键点的检测(3) 利用PAFs，找到有效的关键点对(4) 将点对组合成正确的人体骨骼图 // {0, "Nose"}, // {1,.

1. BRNET 的环境配置1. 使用anoconda安装虚拟环境 conda create -n brnet_env python=3.7 -yconda activate brnet_env 2. 安装pytorch和torchvision，这里选择的版本如下： conda install pytorch==1.5.0 cudatoolkit=10.1 torchvision==0.6.0 -c pytorch这里需要注意：1. 可以将安装命令中的 "-c pytorch"去.

写在前面：服务器上的环境的cuda、显卡驱动版本都是偏高的。但该项目中，对于 tf_ops的编译环境，要求tensorflow的版本在1.13及1.13以下，会比较容易编译，1.14以上，看网上讲述的需要修改些设置。本着尽快编译通过进行测试的原则，环境最终选择了tensorflow-gpu==1.13、cuda10.0。就在自己本地安装了个双系统，在ubuntu上配置该工程，并且一遍过，在这里记录下1 安装cuda10.0 以及相应的 cudnn该步骤网上的教程随便一搜就可解决问题。这里需.

1 准备工作下载工程工程下载：https://github.com/CoinCheung/BiSeNet预训练模型下载：工程下载后解压，并在其中创建文件夹【MODEL】用于存放预训练模型本人的开发环境：ubuntu 18.04、cuda10.2、cudnn7、python3.7、pytorch 1.8.1工程运行过程中，会报错找不到库，pip安装对应的库即可2 运行demo使用 【bisenetv2_city】测试图片：python tools/demo.py --con.

工程下载使用电脑环境 ：Ubuntu18+anconde环境配置：略作者提供的测试工程：https://github.com/ydhongHIT/DDRNet其他开发者复现的完整工程：https://github.com/chenjun2hao/DDRNet.pytorch 下载第二个工程，并下载第一个工程中的预训练模型，放置路径【pretrained_models】 为了工程好管理，所以文件布局如下。（本人习惯工程和数据集分开放置，多个工程获取数据更规范）└──DataSet_2D.