本项目提出了一种使用深度学习技术进行目标识别的方法，深度神经网络会对摄像头采集到的图像进行计算，对学习到的濒危动物进行自动特征提取，符合标签的，自动进行视频录制，并可以通过AIOT的平台，将检测到的数据回传服务器端...因此有必要对Yolo v3做出修改，降低计算量和参数量，能够在单片机上运行。 修改后的模型如下： image.png 因模型结构图神似猴赛雷，因此我们就将他称为Yolo-猴赛雷模型。...) 3、加载模型 模型文件有了，这么在单片机上获取这个模型文件呢？...3、以上两种方法都是将模型保存在flash中，每次下载程序都要老久了，其实不必将模型保存在flash中，可以通过将模型保存在MicroSD卡中，单片机将存在MicroSD卡中的文件复制到RAM中即可，也可以用...其他 保存检测到东北虎的照片 本项目除了实现上述功能外，还实现将检测到东北虎的照片保存在MicroSD卡中，采用BMP库，将摄像头原始数据编码成BMP格式图片写入MicroSD卡中。
由此我们可以知道，之所以产生跨域错误信息，原因有以下三条： 浏览器端的限制（服务端收到了请求并正确返回） 发送的是 XMLHttpRequest 请求（使用 img 标签发送的请求为 json 类型，并不会报错...但是，这种设置能满足所有情况吗？ 更进一步，使用 CORS 时浏览器如何检查跨域错误？ 前面我们有讲到，虽然浏览器报错，但是在这之前服务端已经接受了请求，那么，浏览器总是先发出请求后再进行判断吗？...[非简单请求预检请求] 这里涉及到的简单请求和非简单请求的概念，那么简单请求和非简单请求有什么区别呢？...，在缓存有效期内，非简单请求可以不发送预检请求，另外，实际开发中，可以在服务端设置接收到的请求方法是 OPTIONS 时，直接返回 200，这样也能加快响应。...： 指出客户端通过 XHR 对象的 getResponseHeaders 方法可以获取的响应头有哪些 Access-Control-Allow-Credentials： 允许带 cookie 的跨域请求
，可以对狗和猫品种进行实时检测，并且手机上的空间不超过12M。请注意，除了在云中训练对象检测模型之外，你也可以在自己的硬件或Colab上运行训练。...我们可以使用许多模型来训练识别图像中的各种对象。我们可以使用这些训练模型中的检查点，然后将它们应用于我们的自定义对象检测任务。...对于我们的模型来说，使用更大的批尺寸，我们可以减少训练步骤的数量（在本例中我们使用2000）。...: 8 } } 通常通过量化，一个模型在转换到量化训练之前，会对一定数量的步骤进行完全精确的训练。...你将在检测到的对象周围看到带有标签的框。运行的测试应用程序是使用COCO数据集训练的。 示例：https://www.youtube.com/watch?
作为这些折中的回报，TFLite可以只用几百字节，从而使其更适合大小受到限制的应用程序。它还为Arm Cortex-A 系列CPU提供了高度优化的库。...另外一个关键有点是TFLite对网络的8位量化有很好支持。一个模型有数百万个参数，仅仅是从32位浮点数转换为8位整数就能减少75%的大小。...[parameters for convrsion.png] 官方推荐使用SavedModel，个人认为SavedModel是机器学习部署应用生产环境的规范产物，有一堆的工具链可以利用。...该过程用于将相同的知识存储在较小的网络中，提供了一种压缩知识表示的方法，从而压缩了神经网络的大小，从而可以将其用于更多内存受限的设备上。...5）C++ 11 为了模块化代码方便维护，另外和TFLite 移动设备方面更轻松的共享代码 编译系统 Tensorflow Lite 在linux环境中开发的，许多工具基于传统的UNIX工具（shell
Android Studio仍然在疯狂更新中，隔一段时间打开Android Studio，就会提示有新版本，对此我已经见怪不怪。一般而言，我会顺手点击一下升级。...TensorFlow Lite是最受欢迎的编写移动端机器学习模型的开发库，在我之前的文章中也写过如何在Android程序中使用TFLite模型。...查看模型元数据（metadata）和用法 在Android Studio中双击 ml/ 文件夹下的模型文件，可以看到模型的详细信息，比如我所使用的 mobilenet_v1_0.25_160_quantized...在以往的开发中，这个非常重要，比如图片需要预先处理成合适的尺寸，才能进行推理。 示例代码：说明在应用中如何调用模型，包括Java和Kotlin代码。...不足之处 当然，作为新开发的特性，并不是所有的tflite模型都能通过这种方式导入，目前这种使用方法还存在如下几种限制： tflite模型必须包含元数据。
图片图片图片成像质量是根本，好的算法可以锦上添花影响因素：图片图片该项目为医疗注射器缺陷检测，要求检观出汗射器是否有质量缺路(缺件或者多件)，检测对象分别为，胶暴、推杆承部 针尾品、针嘴、媒口、小较暴，...相比与C2f，VoVGSCSPC在保持性能的同时具更少的有参数量，轻量化效果明显。...GSConv可以更好地平衡模型的准确性和速度。并且，提供了一种设计范式Slim-Neck，以实现检测器更高的计算成本效益。实验过程中，与原始网络相比改进方法获得了最优秀的检测结果。...: tflite模型和推理的py文件手机设备打开AidLuxPC网页登录AidLux，默认用户为root，密码为aidlux将images、tflite模型文件以及tflite.py文件放入到home目录中打开...vscode，打开tflite.py文件，右键在终端运行，可在result中查找推理的结果最后的推理源码如下：import aidlite_gpuimport cv2from cvs import *import
，于是有了这篇文章。...介绍 Vision-Board 开发板是 RT-Thread 推出基于瑞萨 Cortex-M85 架构 RA8D1 芯片，为工程师们提供了一个灵活、全面的开发平台，助力开发者在机器视觉领域获得更深层次的体验...RASC是不行的，如果开发过程中遇到奇奇怪怪的问题，可以首先检查自己版本的问题。...使用 然后我们把labels.txt和trained.tflite放入openmv的SD里面去，同时需要新建一个captures文件夹用来存放图片，复制py文件到openmv IDE 里面去，就可以直接运行了...(predictions_list[0][1] > 0.95): img.draw_rectangle((x1, y1, w1, h1), color=(255, 0, 0)) # 在检测到的对象周围绘制红色矩形框
有了它，就能在几乎不损失模型精度的情况下，将模型压缩至一半大小，还能改善CPU和硬件加速器延迟。 这一套工具囊括混合量化，全整数量化和修剪。 ? 如何量化模型，尽可任君挑选。...在分布式深度学习中，模型可能会有成千上万个参数，体积一个赛一个的大，如果能把所有常量值都用16位浮点数而不是32位浮点数来存储，那么模型大小就能压缩至一半，还是相当可观的。...体积压缩了，精确度难道不会损失吗？ 降低浮点数精度，当然会带来精确度的损失，但是不必担心，这样的损失小到可以忽略不计。...默认情况下，模型是这样在CPU上运行的：把16位参数“上采样”为32位，并在标准32位浮点运算中执行操作。 这样做的原因是目前很多硬件还不支持加速fp16计算。...在未来，有更多硬件支持的情况下，这些半精度值就不再需要“上采样”，而是可以直接进行计算。 在GPU上运行fp16模型更简单。
前言 在目标检测领域，衡量一个模型的优劣的指标往往是mAP，然而实际工程中，有时候更倾向于看漏检率和虚检率。...虚检(虚警)即原本没有目标却误认为有目标，换句话说就是原本是背景却检测成了目标。...可以看到最后一行出现数值，表示出现了漏检；最后一列出现数值，则表示出现了虚检。...Bug，计算漏检率不应该采用混淆矩阵的全部内容，而只需采用混淆矩阵中的正例样本数目，否则分母将虚检的目标也混合进去，导致结果偏小。...在一些博文中提到：漏检率=1-召回率，在YOLOv5中也可以这样理解吗？ 回顾一下召回率的计算公式：R = TP / (TP+FN)，通俗的说，召回率就是来衡量真实样本中，被检测正确的比例。
并对行人识别探测进行尝试性的升级，可检测到同一张图片内存在多个行人并且画框。...尽管peson_detect是谷歌TFLite-micro的一个已有案例，但从学习的角度来说还是自己走一遍训练流程为好，可能下一个应用场景的识别对象就不是行人了。...况且，YOLO-fastest中使用了上采样，这个步骤在TFLite-micro中是没有算子支持的，尽管可以自己实现，但效率应该就低了，所以还是需要对YOLO-fastest模型做进一步的裁剪。...的source code目录，在工程属性设置中添加头文件路径（可以根据编译报错信息添加） 注意cmsis_gcc.h的版本，如果工程源码cmsis_gcc.h版本较低，编译报错，可以用tflm-cmsis...行人检测在RT1062开发板上的检测结果相比上位机有一定程度上的精度损失，对于同一张输入图片，在上位机获得了比较不错的检测结果，但在开发板上需要调整yolo_decode中objectness的缩放倍数才可以获得检测框
这提出了四个问题： 我们开发的模型在所有情况下都能正确预测吗？ 答案是不。 该模型只有burger和fries两类，因此它可以检测其他与汉堡形状类似的对象，例如甜甜圈。...在对象与 ImageNet 类中的任何对象都非常不同的情况下，例如，检测到车身上的刮擦，红外图像等时。...下一步，可以将对象检测模型连接到跟踪方法以跟踪检测到的对象。 在下一章中，我们将通过在边缘设备（例如手机）中优化和部署神经网络模型来学习边缘计算机视觉。...TensorFlow 对象检测 API – tflite_convert 在以下代码中，我们定义了冻结模型.pb文件和相应的tflite文件的位置。...在本节中，我们将使用 tflite 模型并在 iPhone 上执行推理。 iPhone 或 iPad 上的对象检测可以遵循两种不同的路径，如以下小节所述。
将我训练出来的mobilenet模型放到TensorFlow for Poets 2: Android的示例代码中，工作正常，虽然准确率不高，但至少top 1的概率大于0.4。可以确认模型没有问题。...果然，有个哥们在stackoverflow上提了一个问题：Accuracy score of inceptionV3 tflite model is not good as of retrained_graph.pb...这一下子又陷入了困顿，有一阵子甚至开始怀疑人生：识别静态照片和camer流中一帧图像难道有本质区别吗？...开始，我猜测是代码中tensorflow lite没有初始化好就调用其识别过程。但我在测试代码中加入延时，没有效果。加入循环，对一个图片反复识别几次，后面的识别就正常了。...Tensorflow Lite出现这样一个问题也真是匪夷所思，同样的输入和同样的处理，输出结果却不同，真的颠覆了我对编程的理解。 ? 当年爱因斯坦面对量子力学，提出了“上帝是在执骰子吗？”的疑问。
以前装修为了方便冬天关灯，会装上双控开关，现在有了人工智能，你只要简单说一声“关灯”就可以了。再比如智能监控，检测到家里有异常动静就报警，也是应用人工智能的例子。...有过嵌入式系统开发经历的朋友可能会理解，即使是有经验的嵌入式开发人员，也会花大量时间在物理硬件上刷固件和测试应用程序，有时仅仅为了实现一个简单的功能。...在嵌入式设备上开发机器学习应用，开发人员面临着更多的挑战：如何在各种硬件上反复可靠地测试各种模型，能自动完成插拔、刷机、运行等流程吗？...在命令行接口中，使用 start 命令开始仿真： (machine-0) start 在模拟设备的虚拟串行端口（也称为UART-会自动在Renode中作为单独的终端打开）上，你将看到以下输出： ?...在上面的示例中，为虚拟传感器提供了一些离线的、预先记录的数据文件： i2c.adxl345 FeedSample @circle.data Renode 中运行的 TFLite 二进制文件处理数据并检测手势
在非简单请求发出 CORS 请求时，会在正式通信之前增加一次 “预检”请求（OPTIONS方法），来询问服务器，本次请求的域名是否在许可名单中，以及使用哪些头信息。...当预检请求通过以后，在预检响应头中，会返回 Access-Control-Allow- 开头的信息，其中 Access-Control-Allow-Origin 表示许可范围，值也可以是 *。...当预检请求拒绝以后，在预检响应头中，不会返回 Access-Control-Allow- 开头的信息，并在控制台输出错误信息。 三、CSRF 1....服务端防御 CSRF 攻击 服务端防御的方式有很多，思想类似，都是在客户端页面增加伪随机数。...3.2 验证码 思路是：每次用户提交都需要用户在表单中填写一个图片上的随机字符串，这个方案可以完全解决CSRF，但易用性差，并且验证码图片的使用涉及 MHTML 的Bug，可能在某些版本的微软IE中受影响
跨源资源共享还通过一种机制来检查服务器是否会允许要发送的真实请求，该机制通过浏览器发起一个到服务器托管的跨源资源的“预检”请求。在预检中，浏览器发送的头中标示有 HTTP 方法和真实请求中会用到的头。...但是有个例外，上述提到的APIFox，postman这些工具能正常请求的原因是他是从服务端进行请求的，不是浏览器的环境，自然没有这样的限制，你可以理解为浏览器是高中的学生，他不允许你使用手机，而postman...请求中没有使用 ReadableStream 对象。...发出OPTIONS的请求进行预检，在浏览器开发者工具网络面板里面可以看到预先检测服务器是否允许此种请求头，请求方法，发送请求的源站点，如果发出请求的方法包含在Access-Control-Allow-Headers...而前端能做到的，就是什么也不做，因为问题的根源在浏览器本身，你当然可以通过修改浏览器配置使其不再检测，但是成千上万的用户，谁也不知道谁有没有这个限制。
(feature map)，以进行大、中、小目标对象的检测） 图 3: YOLOv5s 算法的网络结构 a：CBS 模块细节 b：Res-unit 模块细节 c：CSP1_X 和 CSP2_X 模块细节结构...表 2: YOLOv5s 模型在复杂环境下的测试情况 左二栏：母猪姿势的漏检率在复杂光照下最高 左三栏：母猪姿势的误检率在复杂光照下与夜间开启热灯的情况下较高 左四栏：仔猪误检数量在复杂光照下和夜间热灯开启的情况下较高...测试结果表明，研究中的模型可以应用于不同的生产场景。...此外，LED 灯闪烁也可以帮助饲养员快速定位正在分娩的母猪，判断是否需要人工干预。 但是当检测速度过高时，仔猪往往被错误地检测到。因此，为了实现实时检测，减少误报，实验团队采取了「连续三次检测法」。...但近年来，受到猪瘟等影响，生猪存栏量及出栏量不断有较大波动。据已发布的行业研究数据，近年来生猪养殖散户比例不断下降，规模化程度不断提高，因此要求更高效集约的养殖技术应用到生猪养殖业中。
ML) : SimpleLock (SL) : SimpleLock+ (SL+) 上述10中方法在之前的文章中都简单介绍过，这里就不再重复介绍，如果有不太清楚的同学可以参考原始论文。...最后，可以发现基于Lockset算法的Eraser能够检测到的数据竞争更少。...其次发现AL和ML的误报也很多，ML在AL的基础上改进了一部分，因此相比AL少一些误报。在这就是HG、TS、SL以及SL+这三种方法也有相当一部分数量的误报。...对于FPN Case项，我们分析了一下其中被误检或是漏检的示例，结果如下表所示： [这里写图片描述] 在表的FN Case项中，我们可以发现No Locks（数据竞争的两个操作没有任何锁保护）的比例很多...在表的FP Case项中，我们发现Customized的比例很多，也就是我们称之为的ad-hoc类型的隐式同步。也可以发现Eraser忽视了大部分的同步原语。
从实验数据中可以看出，机器学习使用的浮点计算会比整数计算需要更高的功耗。为了快速学习并降低功耗和内存的使用，我们必须优化机器智能模型以满足终端设备应用在功耗、内存和延迟上的限制。...通过这样做可以使模型计算复杂度和参数数量减少约10倍，并使性能与Inception等最新服务器端智能模型保持一致。...每项测试结果涵盖最常见的任务，包括在最流行的数据集上进行的图像分类、对象检测、图像分割和自然语言处理。基于这些基准，用户可以轻松查看，模型性能并为他们的应用选择合适的模型。...在iosiOS系统中，用户可以通过C ++ 直接调用解释器。 TFLite的推理速度更快 TFLite通过以下功能在终端设备机器学习中脱颖而出。...在示例中，用户需要将模型文件复制到设备上的本地目录 ： 第一步：导入gradle依赖关系和模型文件的其他设置； 第二步：可以使用对象检测器选项创建对象检测器，并通过调用检测方法进行同步推断。
跨域请求的拦截 有同学上来就答，一定不会执行的，请求在服务端就会被拦截！ 这回答张口就来啊，先想想，服务端有什么责任和义务对跨域的请求做拦截呢？...这也就是为什么有的时候我们明明只发了一个请求，在 Network 里却看到两个： 预检请求有一个很重要的作用就是 询问 服务端是不是允许这次请求，如果当前请求是个跨域的请求，你可以理解为：询问 服务端是不是允许请求在当前域下跨域发送...这时服务端才会真正执行请求接口的逻辑。 那么，所有的请求都会有预检吗？当然不是。...： 请求中的任意 XMLHttpRequest 对象均没有注册任何事件监听器；XMLHttpRequest 对象可以使用 XMLHttpRequest.upload 属性访问。...请求中没有使用 ReadableStream 对象。 所以，如果你发送的是一个简单请求，这个请求不管是不是会受到跨域的限制，只要发出去了，一定会在服务端被执行，浏览器只是隐藏了返回值而已。
领取专属 10元无门槛券
手把手带您无忧上云
云服务器
即时通信 IM
ICP备案
云直播
实时音视频
