- 博客(9)
- 收藏
- 关注
RSS订阅原创 RK3588部署yolo模型实时单张或批量推理
步骤1-2在任何可执行的平台（x86，arm等）都ok 步骤3开始在arm上执行 版本：python3.8 rknn-toolkit2 ：2.3.0 用于转换rknn模型，2.3.0版本支持了arm rknn_model_zoo： 2.3.0 用于转换rknn模型 rknn_toolkit_lite2： 1.5.0 用于部署实时推理。
2024-12-04 11:29:01
1220
原创 Jetson Orin NX平台部署YOLOV5-TRT目标检测模型应用
第2步：通过编译将yolov5m.wts转化为yolov5m.engine，并得到libmyplugins.so库文件，推理的时候需要用到这两个文件。 使用开源的tensorrtx项目，对yolov5进行TRT转换部署，此项目实现了诸多网络的TensorRT版本，需要对代码进行编译，得到so文件。tensorrtx/yolov5给了一个使用python进行推理的模板：yolov5_trt.py，按照模板，修改上面得到的两个文件的路径即可。 拉取yolov5项目。
2024-12-04 11:25:13
602
原创 时间序列预测算法——MQR(C)NN
论文传送门概述：类似于DeepAR，MQR( C )NN也是一种可以对批量时间序列统一建模和预测的算法，采用的也是seq2seq模型框架，即encoder-decoder结构。MQR( C )NN代表MQRNN和MQCNN两个算法，两个算法唯一的不同就是encode部分，MQRNN的encode部分用的是RNN，而MQCNN用的是CNN，更确切的说应该是WaveNet，其他部分完全一样，dec...
2020-09-01 16:06:53
4547
3
原创 Deep Factors代码实现
Deep Factors代码实现Deep Factors，包括前面介绍的DeepAR，MQR(((C)))NN都适合对批量时间序列进行建模预测，为了验证这个优势，本次随机生成了2条时间序列数据，当然序列数量可以更多，但尽量保证一批建模的序列有一定的相关性，比如rate型的数据就不合适和count型的数据一起建模。数据处理目录结构：在MQRNN代码实现那一章节，输入模型的数据是转化成npy的格式，但在数据量很大的时候，读tfrecord形式的数据效率会更高，本次就将数据转化成tfrecord的形式分
2020-06-13 17:59:10
1193
3
原创 时间序列预测算法——Deep Factors
论文传送门概述Deep Factors是一种global-local组合的框架预测模型，这个家族包含三种方法：DF-RNN，DF-LDS和DF-GP。这三种方法global的部分是相同的，由一组深度因子的线性组合而成，这些深度因子都是采用DNN神经网络获得的，论文中采用的是RNN，用于提取复杂的非线性模式（fixed effect）；local部分使用概率模型，比如白噪声过程、LDS或GP，用于捕捉单个序列的随机效应(random effect)。前面讲了DeepAR和MQR(((C)))NN，根据论
2020-05-22 01:13:55
2227
原创 MQRNN代码实现
MQRNN代码实现本次用的训练数据是论文中提到的电力数据，来自一个竞赛，很多关于时间序列预测的论文似乎都会拿这个数据作为样例，数据如下图所示。由于我只下载到了这一条序列，所以只好拿这一条序列建模了，但MQRNN是适合对批量时间序列建模的，下面数据处理和模型的代码我也是按照对批量序列的处理模式写的。数据处理整个project的目录结构如下：数据处理部分主要是将原始数据（…/raw_csv/electric.csv）划分成训练、验证、测试集，并且转成成npy格式，方便模型训练时分batch进行训练，如
2020-05-08 23:20:13
1103
1
原创 时间序列预测算法——DeepAR
时间序列预测算法——DeepARDeepAR概述DeepAR是亚马逊提出的一种针对大量相关时间序列统一建模的预测算法，该算法采用了深度学习的技术，通过在大量时间序列上训练自回归递归网络模型，可以从相关的时间序列中有效地学习全局模型，并且能够学习复杂的模式，例如季节性、数据随时间的不确定性增长，从而对各条时间序列进行预测。DeepAR原理和实现过程上图左边是模型的训练过程，右边是模型的预测...
2020-04-23 23:59:13
15274
7
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人