【写在前面】深度学习模型 训练-＞移植-＞ 部署

深度学习 模型 训练 移植 部署

• 任何网络最终的目的是应用，其中边缘端推理是其重要的一个分支，目前的嵌入式部署大多是需要基于caffe模型的移植，像海思芯片等，而现有大多网络是基于pytorch或TensorFlow框架，所以就需要对训练的模型进行移植。当前模型移植的大致流程为pytorch -> onnx -> caffemodel -> nnie等边缘端。
• 对一个新的网络的应用，大致需要以下几个过程：
  • 1. 研读论文或论文讲解
  • 2. clone源码 - github or Gitee
  • 3. 训练自己的模型 - 数据+网络+训练+验证
  • 4. 模型转换 pth -> onnx -> caffemodel
  • 5. 边缘端部署 caffemodel -> nnie
  • 6. 优化模型，迭代更新
• 本将针对目标检测、图像分割、关键点检测、ReID等主要网络进行，对网络训练过程与移植流程进行关键整理。

# 实例分割

• 实例分割Yolact边缘端部署 （一） 制作自己的数据集
• 实例分割Yolact边缘端部署 （二） 训练自己的模型->onnx
• 实例分割Yolact边缘端部署 （三） 从onnx到caffemodel
• 实例分割Yolact边缘端部署 （四） 利用预训练模型快速标注

# ReID

• FastReID 从pytorch到caffe （一）制作自己的数据集
• FastReID 从pytorch到caffe （二）训练reid模型
• FastReID 从pytorch到caffe （三）pytorch到caffemodel，融合conv和bn层

# 目标检测

yolov8

• Yolov8从pytorch到caffe (一) 环境搭建
• Yolov8从pytorch到caffe （二）制作自己的数据集
• Yolov8从pytorch到caffe （三） 训练模型并转换到caffemodel

# 开放词汇检测与分割

• 开放词汇检测分割YOLOE从pytorch到caffe

# 关键点检测

# 分类网络