RT-AK DEMO 实战教程，教你实现单个人像识别~

让 AI 在你的板子上尽情舞蹈~

本次实验的是识别摄像头中的人，就一个人，而不是多个。

从多类别检测模型改编而来，只保留 person 这个类别，根据各位看官的能力完全可以改成识别多类

项目开源地址：

https://github.com/EdgeAIWithRTT/Project4-Person_detection_RT-AK

本次项目的篇幅将会较长，请各位看官耐心看完

整体分为三部分：

1. 模型

2. RT-AK 使用

3. 板子上的应用层代码实现

硬件平台 ART-Pi, 50M FLOPS。

我的模型（删减后的模型）最终部署在板子上是推理时间是56ms，不包括数据处理时间。

• pc 端推理一张图片：

1$ pip install -r requirements.txt
2$ python inference_yolo-s.py

• 以下是在 ART-PI 上的模型推理实现：

---

我的模型数据：map 21.58%

1 模型

1.1 参考项目

参考项目：

1. Yolo-Fastest https://github.com/dog-qiuqiu/Yolo-Fastest

2. keras-YOLOv3-model-set

   https://github.com/david8862/keras-YOLOv3-model-set

原因：目前了解的全网最轻量级的目标检测网络，没有之一

现在不是了，出现了一个 ppyolo，百度产

当然，Yolo Fastest 最小的模型也有 0.23 Bflops，想要在 ART-Pi 上顺利的跑起来，肉眼可见的丝滑程度，我是在做梦。

这时候有两个办法：

1. 换一块板子，换一块算力更大的板子。

2. 将模型改的小一点，能够在 ART-PI 上丝滑的跑起来。

这里我选择的是后者。

我改动的很简单，去掉特征金字塔输出，只保留一个输出，保证对大物体检测友好即可。同时删减网络结构。原来是109层，我是20+层网络结构。

纠正一个思想误区，由于一些很神奇的存在，网络并不是越深，FLOPS 就会越大，比如 DSCNN。

---

第二个参考项目的意义是在于：将模型转变为 tflite 可食用模型

1.2 模型文件

• 我改动的模型配置文件：./model/yolo-s_with_lrelu.cfg

原模型配置文件：./model/VOC

为了防止在后期模型转换的过程中遇到不支持的算子：leakyrelu，我这里提供了一份 relu 的模型训练配置文件

• 预先训练好的模型：./model/yolo-s.h5 507 k，量化的 tflite 模型文件：./model/yolo-s.tflite 144 k