荪荪的博客

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

RKNN-Toolkit前言模型运行在与 PC 相连的 Rockchip NPU 平台上前言目前 RKNN-Toolkit 可以运行在 PC（Linux/Windows/MacOS x64）上，也可以运行在 RK3399Pro开发板（Debian9 或 Debian10）。本人推荐PC是linux系统，rk3399pro是debian10，原因之后补充。模型运行在与 PC 相连的 Rockchip NPU 平台上该场景下，RKNN-Toolkit 运行在 PC 上，通过 PC 的 USB 连接

最近遇到一个问题，detain10系统下，桌面右下角的“双显示器”的网络图标不见，哎，不知道怎么连wifi了，怎么办？摸索了一会，没找到如何让添加上，但有急着要联网，怎么办？方法还是有的● 查看网络设备列表$ nmcli dev注意，如果列出的设备状态是 unmanaged 的，说明网络设备不受NetworkManager管理，你需要清空 /etc/network/interfaces下的网络设置,然后重启● 开启WiFi$ nmcli r wifi on● 扫描附近的 WiFi 热点(此

好久不更新博文，在这里和加我的朋友说声“对不起，不好意思”，由于一直没有留意通过请求的信息，等看到的时候，已经过期！好了言归正传，此篇文章开始又要更新我的RK3399Pro的开发篇了。这次是因为工作所需，开始做产品了！首先介绍一下基础部分：首先要知道嵌入式开发和PC开发的不同之处，PC纯靠CPU和GPU通过编写程序，不计成本的进行运算，只要肯砸钱，配置越高运算能力越强。但嵌入式平台并不是这样的，嵌入式平台需要兼顾算力、功耗、成本等等因素，一颗好的嵌入式芯片，他要在控制成本和功耗的情况下尽可能的提高特定

rknn-toolkit-1.6.0 （for 3399pro/1808/1126/1109）https://github.com/rockchip-linux/RKNPUToolsBaidu Cloud: https://eyun.baidu.com/s/3eTG3VsY (pwd：rknn)Onedrive：https://rockchips-my.sharepoint.com/:f:/g/personal/addy_ke_rockchips_onmicrosoft_com/EkQBzgZ6

目录前言前言在变电站表计示数识读中，对表计的读取需要经过表计整体目标检测及二次对准、表盘目标检测及示数读取两个阶段。原来，主要是采用基于传统人工设计特征的图像处理方法实现表计的目标匹配和轮廓检测。由于这些方法只能实现浅层特征的提取，在应用的过程中容易受到图像背景、环境光照、拍摄角度等因素的影响，分类错误率较高。此外，样本量的增加对此类方法的作用也不大，大量深层特征无法被挖掘并用于提升算法的性能。比如说，背景特征难区分、类似区域易误检、环境光线影响检测准确率、现场干扰（如水珠）。如下图所示（如有所借用，请

目录一、需求背景二、系统架构智能云读表系统边缘智能读表系统三、技术方案面临的问题：总体方案目标检测方案语义分割方案四、边缘部署五、总结一、需求背景油田、店里等工矿奇特存在很多传统的机械指针表具。与数字式仪表不同，机械表具无法将表具度数实时发送到监控系统，需要人工进行读数检查。大型的工矿企业需要消耗大量的人力去现场读表巡检，增加了企业的人力成本，巡检周期长、频率低，更是让设备的质检、系统的稳定运行得不到有效保证。如果在非巡检期间表具度数到达异常区域，表具无法发送告警信息，异常无法被很快发现。二、

本人开发环境PC：ubuntu18.04LSTboard：rk3399pro-Debian10开发环境搭建主要是参照前面写的环境安装内容：（1）PC-Ubuntu 环境安装、 keras 2.2.4 +tensorflow-gpu 1.x 安装（2）在PC-UBUNTU1804 or > version， 安装rknn虚拟环境，模拟rknn实现基本模型的转化、推理、运行（3）rk3399pro板子上刷机（fedora28 -> debian10）双系统开发板介绍1.开机2.

文章为草稿只做推理不做训练， android nn RK NNcaffe\ tf \darknet \onnxrknn tookit 转RKNNmodlefp32量化fp16 int16bitRKNN Toolkit支持做仿真自己搜索python接口

RK3399Pro AI平台解决方案介绍1，概况2，NPU3，应用开发4，demoCPU,NPU,GPU,VPU,ISP.Memory, Interface, PackageRK3399Pro NPU特性：满负荷算力强，轻载运算功耗低模型兼容性强，可支持多类型框架，支持主流层类型，易于添加自定义层，支持INT16/FP16开发工具易用，PC端可完成模型转换、性能预估、精度验证无缝升级，与RK3399 AndroidNN/LinuxNN兼容INT8可满足绝大部分需求RK339