【ZhangQian AI模型部署】目标检测、SAM、3D目标检测、旋转目标检测、人脸检测、检测分割、关键点、分割、深度估计、车牌识别、车道线识别

该文章已生成可运行项目,

  在模型部署落地(主要部署到rk3588)折腾了这么多年,把这些年折腾过的模型整理了一下,所有的流程说明、代码模型都完全开放的,欢迎交流学习。有的是为了项目、有的是为了学习、还有的是为了找点事做、有的完全是为了安抚内心的焦虑与迷茫,无论出于什么原因都在继续写着。遇到难啃的部署过程也会有无数次想要放弃的念头(毕竟很多是要工作之余去做),有的在部署过程不断思考如何优化速度、如何简化部署难度,经常是念念不忘。后续还会有项目、还会有学习、还会有无聊的时间,也依旧会有焦虑与迷茫,搞部署、写博客也还在路上…

1)点云

3D 目标检测

【PointPillars 3D目标检测 部署 onnx、TensorRT】

2)图像

BEV

【LSS:lift-splat-shoot 部署 tensorRT】

目标检测

【yolov13 部署 rknn、C++】

【yolov12 部署 rknn、C++】

【yolov11 部署 rknn、C++ 的 7 种部署方法】

【RT-DETR-v2 部署C++、TensorRT】

【yolov11 部署 rknn、C++、TensorRT(cuda和cpu两个版本后处理实现)】

【yolov10 部署 rknn、地平线、tensorRT、C++】

【yolo world 部署 rknn、地平线、tensorRT、C++】

【yolov9 部署 rknn、地平线、tensorRT、C++】

【yolov8 部署 rknn、地平线、tensorRT、C++】

【yolov7 部署 rknn、地平线、tensorRT】

【yolov6 部署rknn、地平线、tensorRT、caffe】

【yolov5 部署 rknn、地平线、tensorRT、caffe】

【DETR 部署 tensorRT、C++】

【SSD 部署 caffe、tensorRT】

【yolox 部署 caffe、tensorRT】

【CenterNet 部署 rknn、地平线、tensorRT、C++】

【FCOS 部署 onnx】

Segment Anything

【FastSAM 部署 onnx、rknn、C++】

3D 目标检测

【Monodle centernet3d 部署 rknn、地平线、tensorRT】

旋转目标检测

【yolov8obb 旋转目标检测部署 rknn、地平线、tensorRT、C++】

人脸检测

【RFB-SSD人脸检测部署caffe、onnx、tensorRT】

检测分割

【yolop 部署rknn、地平线、tensorRT】

【yolov8seg 部署 rknn、地平线、tensorRT、C++】

关键点

【yolov8pose 部署 rknn、地平线、tensorRT、C++】

【车牌回归部署 caffe、onnx、tensorRT】

分割(车道线、路面)

【DeepLabV3 路面分割部署 onnx、tensorRT】

【UNet 多车道线、线类别识别部署 onnx、rknn、地平线、tensorRT、C++】

【UNet 路面分割部署caffe、onnx、tensorRT】

深度估计

【MiDaS 单目深度估计 部署 onnx、rknn、C++】

车牌识别

【LPRNet 车牌识别部署 onnx、rknn、C++】

其它(车道线识别)

【Ultra-Fast-Lane 车道线识别部署caffe、onnx、horizon、rknn】

板端模型转换工具链

【瑞芯微 RKNN-Toolkit2 工具链】
【地平线 Horizon 工具链】

github主页

【代码仓目录】

本文章已经生成可运行项目
### 3D视觉技术在工业模型中的应用 随着人工智能和深度学习的进步,3D视觉技术逐渐成为工业领域的重要工具之一。以下是其具体的应用方式及其带来的影响: #### 工业自动化中的机器人视觉 3D视觉技术使得机器人可以从传统的代码驱动转变为视觉驱动[^1]。这意味着机器人可以通过实时感知环境并调整动作,从而适应更加复杂的操作需求。这种能力特别适用于流程工业场景,在这些场景中,传统方法可能因为缺乏灵活性而受到限制。 #### 提升检测精度与效率 利用通用图像分割模型(SAM),可以在多种不同的工业环境中执行精确的目标识别任务。相比过去仅依赖于特定数据集的小型专用模型,新的大规模预训练架构能够在更广泛的条件下保持较高的准确性,并减少重新设计算法所需的时间成本以及经济支出。 #### 零样本/少样本学习促进新业务发展 当面对全新但相似的任务类别时(比如从未见过的产品外观缺陷分类),如果采用最新研究成果,则即使没有大量标注好的实例也可以获得不错的效果。这极大地促进了那些难以收集足够代表性样例领域的扩展可能性,例如某些特殊材料加工过程的质量监控环节等。 #### 基于2D至3D转换的技术革新 除了上述提到的内容外,“基于2D 场景图像 的3D 场景检索”也为制造业带来了全新的思路——即如何利用简单的二维照片自动生成对应的三维结构描述文件?这项突破不仅简化了建模工作流,还为后续诸如虚拟装配指导提供了便利条件; 同时也支持其他跨学科交叉项目如增强现实展示平台建设等方面的工作进展.[^2] 然而值得注意的是尽管目前存在许多令人兴奋的机会点可供探索实践 ,但在实际部署过程中仍需克服不少障碍 :一方面要确保所选方案满足现场苛刻的安全性和稳定性标准 ;另一方面则涉及到高昂的一次性投入费用问题 (包括硬件采购安装调试维护等一系列开销).因此何时何地以何种形式引入此类先进技术成为了摆在企业面前亟待解决的关键课题之一 .[^3] ```python import numpy as np from sklearn.model_selection import train_test_split def preprocess_data(data): """ Preprocess raw data into features and labels. Args: data (list): Raw input data. Returns: tuple: Features X_train,X_val,Y_train,Y_val after splitting the dataset. """ # Assume 'data' contains both feature vectors and corresponding class labels all_features = [] all_labels = [] for item in data: feat,label=item[:len(item)-1],item[-1] all_features.append(feat) all_labels.append(label) X=np.array(all_features,dtype=float) Y=np.array(all_labels,dtype=int ) return train_test_split(X,Y,test_size=0.2,stratify=Y) if __name__ == "__main__": mock_dataset=[ [5.,7.,8.,9,'A'], [-4,-6,-8,-9,'B'], ... ] xtr,xvl,ytr,yvl=preprocess_data(mock_dataset) ``` 以上代码片段展示了如何准备用于训练机器学习模型的数据集。虽然它并不直接涉及具体的3D视觉处理逻辑,但它代表了一个典型的数据准备工作流程,这对于任何类型的高级分析都是至关重要的前置步骤。 ---
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值