x_factory的博客

该 AI 模型利用先进的 Swift yolo 算法，专注于胡萝卜识别，可以准确检测和标记实时视频流中的胡萝卜。它特别适用于 Seeed Studio Grove Vision AI （V2） 设备，提供高兼容性和稳定性。

FCOS‌（Fully Convolutional One-Stage Object Detection）是一种基于。

它在文本生成、对话系统和语言理解等方面展现出了强大的能力，为人工智能技术的发展开辟了新的可能性。支持模型的缩放，通过控制编码器和解码器的参数，如调整宽度（嵌入尺寸和通道数）和深度（Transformer 层数和 RepBlocks），以适应不同场景的需求。采用端到端的训练方式，不需要像传统的检测方法那样经过复杂的后处理步骤，如非极大值抑制（NMS），提高了训练效率并减少了推理的复杂度。不依赖于锚框，直接预测物体的边界框和类别，提高了模型的灵活性和检测效率，减少了超参数调优的工作量，提升了小目标检测的性能。

在开发以卷积神经网络（CNN）为核心的机器学习模型时，为了提供准确率最常见的方法是通过深度或宽度（其实也就是增加channels）来放大卷积网，或是使用分辨率更大的图像进行训练和评估。这种平衡的增长使模型能够在不需要不必要的计算的情况下提高准确性，并在不牺牲有效性的情况下最大限度地提高效率。它兼容XIAO系列和Arduino生态系统, 是各种物体检测应用的理想选择。SenseCraft-AI平台的模型仓数量还很少，但是好消息是它支持自定义模型上传并输出推理结果，平台会逐渐增加模型仓的数量，敬请关注！

从主干，RT-DETR提取三个级别的特征- S3，S4和S5，这些多尺度特征有助于模型理解图像的高级和细粒度细节。SenseCraft-AI平台的模型仓数量还很少，但是好消息是它支持自定义模型上传并输出推理结果，平台会逐渐增加模型仓的数量，敬请关注！具体而言，AIFI通过计算特征的注意力权重，使得模型能够关注到重要的区域，并抑制冗余信息，从而增强对目标的定位和表征能力。它非常适用于各种嵌入式视觉项目。解码器使用的目标查询是关键组件，它们用于引导模型对目标的检测，允许模型在生成检测结果时关注不同的潜在目标。

辣椒病害种类繁多，按病因可分为真菌性病害、细菌性病害、病毒性病害和生理性病害等。这些病害在辣椒的生长周期中均可能发生，对辣椒的产量和品质造成严重影响。炭疽病是一种严重危害辣椒产量的真菌病害。印度作为曾经的辣椒出口和生产大国，近年来因炭疽病的肆虐而遭受重创，产量大幅下降，导致其全球排名从首位跌至第三位。此外，多项研究也证实，炭疽病在全球范围内对辣椒产业造成了10%-55%的产量损失，严重威胁着辣椒生产的稳定性和可持续性。

在模型案例推文中，介绍过通过摄像头进行视觉识别和通过麦克风进行声音识别，今天介绍第三种识别形式：利用多轴加速度传感器进行动作识别。我们尝试利用手机自带的三轴加速度传感器来采集三种动作手势，包括左右晃动、上下晃动和静止不动

嵌入式神经网络处理器（NPU）是一种特别设计用于执行神经网络计算的高效率处理器。它主要基于数据驱动并行计算架构，特别擅长处理视频、图像等大量的多媒体数据。NPU模仿了生物神经网络的架构，与CPU、GPU相比，它能够通过更少的指令（一条或几条）完成神经元的处理，因此在深度学习的处理效率方面具有明显优势。

该 AI 模型采用先进的 Swift yolo 算法，专注于野生鸟类识别，可以在实时视频流中准确检测和标记野生鸟类。它特别适用于 Seeed Studio Grove Vision AI （V2） 设备。

NPU模仿了生物神经网络的架构，与CPU、GPU相比，它能够通过更少的指令（一条或几条）完成神经元的处理，因此在深度学习的处理效率方面具有明显优势。针对嵌入式和移动AI对象检测应用对高效计算的需求，提出了LeYOLO模型，该模型通过优化骨干网络、引入快速金字塔结构网络（FPAN）和解耦网络中网络头（DNiN），显著提高了基于YOLO的目标检测模型的效率。它具有标准的CSI接口, 并与树莓派相机兼容。在航空公司和物流中心，通过识别行李标签和行李本身的特征，实时跟踪行李在运输过程中的状态，减少丢失和误送概率。

输出层的设计需要根据具体的任务进行调整。输出层的输出与真实值之间的误差是神经网络的损失函数，训练过程的目标是最小化损失函数。是施工单位工人重要的安全防护装置，但是一些个人忽视安全防护的意识，在施工中不佩戴安全帽造成安全隐患，除了人为监督外，利用视觉识别手段可以自动识别安全帽的佩戴情况，并对没有佩戴安全帽的行为提示报警改正行为。在神经网络的训练过程中，输出层的输出与真实值之间的误差是神经网络的损失函数。例如，在预测房价的问题中，输出层的神经元数量为 1，其输出值表示对于输入数据的房价预测值。

随着智慧城市理念的不断推进，智能建筑已经成为现代建筑设计的重要方向。在这一新的建筑范式中，安全性和能效性是设计的核心要素之一。玻璃作为建筑外立面的重要材料，其脆弱性使得监测玻璃破碎事件变得尤为重要。为此，开发一个高效的玻璃破碎监测系统显得尤为必要。

驾驶员疲劳监测是指在驾驶过程中对驾驶员的疲劳状态进行实时监控，以确保行车安全。疲劳驾驶会影响驾驶员的反应时间、判断能力和注意力，从而大大增加发生交通事故的风险。疲劳状态下，驾驶员容易出现走神、视线模糊等情况，降低了对路况及其他车辆的实时判断能力，直接影响行车安全。该模型主要利用FOMO模型算法进行目标识别，可以快速识别出人的闭眼状态并发出警报。

以猫狗的图片为例，这里输出有两个值，你可以理解成就是 Python 中的两个浮点值的 list [Y1, Y2]， Y1是狗的概率，值∈[0, 1]，Y2是猫的概率。模型就是一组数据结构，保存了一个网状的形状，以及里面的参数， 通常模型会被保存为不同格式的文件，比如.h5 .tflite .kmodel等文件，都是用来阐述这个模型的形状结构和参数。神经网络是一种网状结构，可以更好地记住图片的特征信息， 而这个网状结构又是多层的，也就是有深度的，所以称之为深度神经网络DNN。比如下面这张图识别出猫或者狗。

就类似于当初参加高考的你，训练数据就类比是你在刷题，当你刷了非常非常多的题，并学会他们的特征，那么你应对高考则是游刃有余了。在机器学习过程中，关于神经网络模型训练的准确度上有两个问题，过拟合(Overfitting)和欠拟合(Underfitting)，它们是机器学习中常见的两种模型性能问题，分别表示模型在训练数据上表现得过于复杂或过于简单。过拟合形成的主要原因就是训练集的数据太少，导致无法学习到想要的模型，因此当发生过拟合时，首先应该考虑的就是增加训练集的数据量。它有一个内置的数字麦克风和SD卡插槽。

该模型用于对老鼠和玉米粮仓的识别，采用MobileNetV2卷积神经网络，生成TensorFlow Lite INT8格式文件。通过在玉米粮仓部署传感器和摄像头，结合老鼠识别模型，实时监测玉米粮仓的鼠害问题，帮助农民及时发现老鼠并采取相应措施。

该模型用于对玉米锈病和玉米纹枯病两种病害的识别，采用MobileNetV2卷积神经网络，生成TensorFlow Lite INT8格式文件。通过在田间部署传感器和摄像头，结合玉米病害识别模型，实时监测玉米田的健康状况，帮助农民及时发现病害并采取相应措施。

它在文本生成、对话系统和语言理解等方面展现出了强大的能力，为人工智能技术的发展开辟了新的可能性。4、弹出“自定义AI模型”窗口，填写模型名称、添加下载的模型文件、单击“新增物体”设置2个识别标签（注意2个标签的名称顺序不能写错，分别是gall（蚜虫）和redspider（红蜘蛛）），填写完成后单击“发送模型”按钮，如下图所示。此外，MobileNetV2作为物体检测和分割的特征提取器非常有效，例如，当与SSDLite配对进行检测时，新模型在取得相同精度的情况下，要比MobileNetV1快大约35%。

4、弹出“自定义AI模型”窗口，填写模型名称、添加下载的模型文件、单击“新增物体”设置2个识别标签（注意2个标签的名称顺序不能写错，分别是MAGPIE和SPARROW），填写完成后单击“发送模型”按钮，如下图所示。这种灵活性使得Keras非常适合于图像分类任务。SenseCraft-AI平台的模型仓数量还很少，但是好消息是它支持自定义模型上传并输出推理结果，平台会逐渐增加模型仓的数量，敬请关注！3、接着在“可用的AI模型”列表中向下拉动列表，找到“上传自定义AI模型”按钮，并单击此按钮，如下图所示。

6、等待一段时间的下载和烧录固件的过程，完成后将打开右侧的预览窗口，现在就可以将Grove Vision AI V2的摄像头对准人手部目标进行测试了，如下图所示。番茄病态分析模型：基于视觉模型而制作的番茄病态识别系统，可以准确且有效地识别番茄的好坏，通过及时摘除患病番茄，从而有效地遏制病虫害的扩散，减少农民的损失。手势关键点检测可以用于识别手势动作，如手部姿势、手势手语等。手势关键点检测模型在 Yolov8 上训练，手势关键点检测模型输出的是一组表示手势上的关键点的点，通常每个点都有一个置信度分数。

基于骨架的模型(Skeleton-based model)： 也称为运动学模型，该模型包括一组关键点（关节），例如脚踝、膝盖、肩膀、肘部、手腕和肢体方向，主要用于 3D 和 2D 姿势估计。人体姿势估计模型主要有三种类型： 这三种类型是随着应用逐步发展出来的，先检测关键点，类似于火柴人，进一步的检测出人的轮廓，再根据轮廓进一步的把人体进行3D重建。6、等待一段时间的下载和烧录固件的过程，完成后将打开右侧的预览窗口，现在就可以将Grove Vision AI V2的摄像头对准人体目标进行测试了，如下图所示。

边缘设备的存储空间有限，无法容纳大型模型，因此需要将模型进行压缩和优化。同时，也需要在边缘设备上进行模型训练与推理时权衡模型的偏差和方差，以获得适合边缘环境的模型性能。5、接着在“可用的AI模型”列表中选择模型，这里选择“Gesture Detection”，然后单击“发送”按钮，如下图所示。，通过将计算和智能移动到数据源附近，可以实现近乎实时的数据处理和决策，满足对实时性要求较高的应用场景。，边缘机器学习可以在本地处理数据，减少对云端的数据传输，降低了网络带宽的消耗。因此，嵌入式机器学习，也被称为。

图像分类-垃圾分类模型，此模型可以识别水瓶和纸团两个类别的垃圾物，生成的是TensorFlow Lite (int8 quantized)模型文件。

5、弹出“自定义AI模型”窗口，填写模型名称、添加下载的模型文件、单击“新增物体”设置三个水果标签（注意三个标签的名称顺序不能写错分别是APPLE、BANANA和GRAPES），填写完成后单击“发送模型”按钮，如下图所示。水果识别算法是一种利用计算机视觉和深度学习技术，通过对水果图像进行分析和特征提取，来识别和分类不同种类的水果的算法。6、等待一段时间的下载和烧录固件的过程，完成后将打开右侧的预览窗口，现在就可以将XIAO ESP32 S3（Sense）的摄像头对准苹果、香蕉和葡萄进行测试了，如下图所示。