RK3399平台开发系列讲解（系统篇）1.27、Semantic-Segmentation-Suite部署使用

最新推荐文章于 2024-07-01 14:59:46 发布
最新推荐文章于 2024-07-01 14:59:46 发布
阅读量1k 收藏 15
点赞数 14
CC 4.0 BY-SA版权
分类专栏： RK3399平台开发入门到精通系列专栏 # 子类__Android # 子类__项目
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/qq_33487044/article/details/81749304
该文档详细介绍了如何在RK3399平台上使用Semantic-Segmentation-Suite进行语义分割模型的训练和推理。内容包括Docker环境的设置、依赖安装、训练参数配置、网络模型选择、数据集处理以及测试和推理的步骤。重点在于模型训练的各个参数和数据集的组织结构。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

文章目录

1. 文档介绍

本文档目的在于指导读者使用Semantic-Segmentation-Suite训练语义分割模型。

2. 环境部署

2.1. Docker环境

拉取镜像

docker pull tensorflow/tensorflow:1.11.0-gpu-py3

这里本机已经有了镜像，本机没有镜像的情况下，需要等待一会
在这里插入图片描述
目前板子使用的是tensorflow1.11.0版本，用docker拉取1.11.0，gpu，py3版本的tensorflow镜像
创建容器


                

                
                
        

         

    

    
  


        

            

                

                

                了解本专栏
                
                
                  
                订阅专栏 解锁全文
                 
            

        


    



                



	

		

			

				
					
RK3399平台开发系列讲解（前置知识篇）2. RK3399平台Linux内核编译与烧写指南

				
			

			

				

					一直在水些技术小文
				

				

					09-22
					
					359
					
				

			

		

		

			
				
本文将指导你如何编译和烧写 Linux 内核到 RK3399 平台，并深入讨论交叉编译的基本原理，以确保你能够顺利进行内核开发工作。在 RK3399 平台上，由于通常不直接在目标硬件上进行编译，而是在开发主机上进行交叉编译，因此需要使用交叉编译工具链。烧写 Linux 内核到 RK3399 平台通常涉及到将内核映像文件复制到目标设备的存储介质上，并配置引导加载程序（如 U-Boot）以启动新内核。上述示例配置了 U-Boot 以从 SD 卡的第二个分区启动内核，假设内核映像位于 SD 卡的第一个分区。

			
		

	



                

            
              



	

		

			

				
					
rknn3399pro 2小时入门指南（五）tflite转化成rknn

				
			

			

				

					熊猫小妖的AI世界
				

				

					08-03
					
					2396
					
				

			

		

		

			
				
目录1.往期回顾2.简述3.模型转化、量化4. 模型评估
1.往期回顾
rknn3399pro 2小时入门指南（一）基础概念和基本开发流程
rknn3399pro 2小时入门指南（二）RKNN刷机攻略详解
rknn3399pro 2小时入门指南（三）在PC上搭建RKNN模拟环境、 模型转换代码、RK3399 pro使用
rknn3399pro 2小时入门指南（四）h5模型训练、tflite模型生成
2.简述
rknn3399pro 2小时入门指南（四）中已经生成了mobielnetV1的相关tflite文件

			
		

	



              


  
              

                


	

		

			

				
					
ckpt转pb的代码 pb2.py 适用于Semantic-Segmentation-Suite

				
			

			

				

					08-15
				

			

		

		

			
				
Semantic-Segmentation-Suite 的ckpt转 pb代码，根据最后一层更改。

			
		

	





	

		

			

				
					
docker使用学习1

				
			

			

				

					dsqcsdn的博客
				

				

					07-14
					
					273
					
				

			

		

		

			
				
centos安装docker
#更新yum
yum update
#卸载老版本docker
yum remove docker docker-common docker-selinux docker-engine
#安装依赖包
yum install -y yum-utils device-mapper-persistent lvm2
#设置docker yum源/
yum-config-manager --add-repo https://download.docker.com/linux/centos/

			
		

	



		

			
		



	

		

			

				
					
Semantic-Segmentation-Suite环境配置

				
			

			

				

					weixin_43825748的博客
				

				

					07-12
					
					260
					
				

			

		

		

			
				
github链接：https://github.com/GeorgeSeif/Semantic-Segmentation-Suite
步骤：
系统：windows10
1.clone到本地
2.创建anaconda环境，python3.6
3.conda install tensorflow-gpu1.12.0
4.conda install scipy1.2.1
5.conda install pillow
6.运行train.py，缺什么下什么，比如opencv、matplotlib、klearn…
7

			
		

	





	

		

			

				
					
Semantic-Segmentation-Suite 使用攻略 转化模型等问题

				
			

			

				

					qq_41833285的博客
				

				

					08-15
					
					960
					
				

			

		

		

			
				
Semantic-Segmentation-Suite训练自己的数据集的一些记录
制作自己的数据集和训练可参考github上的文档和我师兄的博客
https://blog.csdn.net/yourgreatfather/article/details/88845860
本文可能更适合那些训练完成后想转.pb文件并预测的同学
相信大家在训练完成后都会有疑惑 为什么没有.pb文件，作者给出的预测程序...

			
		

	





	

		

			

				
					
semantic-segmentation-editor:Web标签工具，用于位图图像和点云

				
			

			

				

					05-10
				

			

		

		

			
				
语义细分编辑器 一个基于Web的标签工具，用于创建AI训练数据集（2D和3D）。 该工具是在自动驾驶研究的背景下开发的。...使用Docker Compose  下载sse-docker-stack.yml compose堆栈文件（ sse-docker

			
		

	





	

		

			

				
					
awesome-semantic-segmentation-pytorch:PyTorch上的语义分割（包括FCN，PSPNet，Deeplabv3，Deeplabv3 +，DANet，DenseASPP，BiSeNet，EncNet，DUNet，ICNet，ENet，OCNet，CCNet，PSANet，CGNet，ESPNet，LEDNet，DFANet）

				
			

			

				

					05-05
				

			

		

		

			
				
# semantic-segmentation-pytorch dependencies pip install ninja tqdm # follow PyTorch installation in https://pytorch.org/get-started/locally/ conda install pytorch torchvision -c pytorch # install ...

			
		

	





	

		

			

				
					
predictpb.py 适用于Semantic-Segmentation-Suite

				
			

			

				

					08-15
				

			

		

		

			
				
Semantic-Segmentation-Suite pb文件预测，根据训练情况更改代码

			
		

	





	

		

			

				
					
pytorch-semantic-segmentation：用于语义分割的PyTorch

				
			

			

				

					02-05
				

			

		

		

			
				
PyTorch用于语义分割 该存储库包含一些用于语义分割的模型以及在PyTorch中实现的训练和测试模型的管道 楷模 ... SegNet（ ）  PSPNet（）  GCN（）  DUC，HDC（） 需求 PyTorch 0.2.0  PyTorch的TensorBoard。...

			
		

	





	

		

			

				
					
Rk3399平台实现linux 系统调用

				
			

			

				

					qq_35003588的博客
				

				

					07-31
					
					582
					
				

			

		

		

			
				
找到一个确认能编译到的kernel C文件添加系统调用函数如：./你的源码目录/kernel/fork.c 依照fork() 系统调用 添加自己的系统调用 SYSCALL_DEFINE0() 是指声明的这个系统调用含有零个参数




添加相应的函数声明 include/linux/syscalls.h




3、添加系统调用号 arch/arm64/include/asm/uni...

			
		

	





	

		

			

				
					
RK3399如何选择系统呢？

				
			

			

				

					LoongEmbedded的专栏
				

				

					08-28
					
					817
					
				

			

		

		

			
				
有同学纠结于各种嵌入式操作系统如何选择，不知道哪个操作系统合适，我们简单分析下目前主流的支持ARM的操作系统：

1. Android

  优点： UI开发非常简单，API丰富，接口通用，除了RKNN、RGA特殊的加速单元以外，其他所有的加速单元均可以通过android自带的API操作。兼容性稳定性都最佳。

  缺点： 自身占用了较多的系统资源（例如GPU、RGA），并且编译链(android-gcc)的libc(bionic)特殊，移植一些第三方开源库难度较大。不支持python。

  ...

			
		

	





	

		

			

				
					
firefly-rk3399开发板--从0开始制作ubuntu镜像

					
最新发布

				
			

			

				

					Yongheng6的博客
				

				

					07-01
					
					2544
					
				

			

		

		

			
				
前言：rk-Linux-sdk 、Linux内核：5.10.160、 开发板：firefly-rk3399 开发板用了好几年，一直吃灰中，2G+16G配置。镜像地址下载，如清华源：《Index of /ubuntu-cdimage/ubuntu-base/releases/ | 清华大学开源软件镜像站 | Tsinghua Open Source Mirror》。 RK-Linux-SDK如果没有sdk已经 中心思想就是替换rootfs根文件系统，之所以我用RK-Linux-SDK，是因为我经常用这个开发。

			
		

	





	

		

			

				
					
【教程】-在rknn-toolkit2模拟器中验证测试语义分割模型DeeplabV3plus

				
			

			

				

					北屿的博客
				

				

					08-16
					
					1990
					
				

			

		

		

			
				
为了以后能够顺利的将模型部署在rk3568开发板中，我们首先要在rknn-toolkit2提供的模拟器环境中进行运行测试，从而保证所选模型能够在开发板上进行部署，测试环境是Ubuntu20.04。总体流程：1、准备训练好的deeplabv3plus模型（pth）文件。2、将训练好的pth文件转换为onnx格式。3、将转换好的onnx文件在代码中转化为rknn并进行推理测试。

			
		

	





	

		

			

				
					
YOLOv5s部署在瑞芯微电子RK3399Pro中使用NPU进行加速推理

					
热门推荐

				
			

			

				

					weixin_42200352的博客
				

				

					08-19
					
					1万+
					
				

			

		

		

			
				
0. 前言：

本文介绍了YOLOv5s算法在国产瑞芯微电子RK3399ProD上的部署推理，介绍整个的流程，并基于YOLOv5和RK3399Pro简单的介绍下RKNN的接口使用，并记录一些踩过的坑，希望能帮助到大家，避免踩坑。本文仅做交流使用，文中有什么理解的不到位的或者谬误，也希望大家能够交流下。

1. 部署流程

在服务器端或者电脑端进行训练，训练完成后将.pt文件转换成ONNX格式
电脑端使用rknn-toolkit1.6.0将ONNX模型转换成RKNN模型
RK3399Pro中进行模型推理




			
		

	





	

		

			

				
					
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

				
			

			

				

					内核笔记
				

				

					08-23
					
					2918
					
				

			

		

		

			
				
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

			
		

	





	

		

			

				
					
RK3399平台开发系列讲解（内核设备树篇）3.10、ADC驱动树的配置及解析

				
			

			

				

					内核笔记
				

				

					01-06
					
					3624
					
				

			

		

		

			
				
ADC驱动树的配置及解析

			
		

	





	

		

			

				
					
VS-RK3399多路视频编解码

				
			

			

				

					GHL445的博客
				

				

					10-20
					
					1227
					
				

			

		

		

			
				
VS-RK3399开源板拥有强大的视像处理器（VPU），能够流畅的实现H.264编解码功能，可以同时进行两路视频编码和五路视频解码。在应用方面，多路编解码功能可以更优秀地应用于同时录像和播放多个视频的场景
			
		






...

			
		

	





	

		

			

				
					

				
			

			

				

					
				

			

		

		

			
				

			
		

	



              




          




        



    





    



      

      

        
      

      





	

		
评论 8

	

  
	




  

    

      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
            

          

        

        

          

          

          

        

      

    

    

  





	
打赏作者

	

		

		
			
		
		

		

			
内核笔记

			
你的鼓励是我的动力

		

	

	

			

	

	

    ¥1
    ¥2
    ¥4
    ¥6
    ¥10
    ¥20
	

	

		

			

				

					扫码支付：¥1
				

				

					

					
					获取中
					

				

				

					
					
					扫码支付
				

			

		

		

			
您的余额不足，请更换扫码支付或充值

			
打赏作者

		

	



      
      

      
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