毫秒級檢測！你見過帶GPU加速的樹莓派嗎？

阿新 • • 發佈：2018-11-28

樹莓派3B+英特爾神經計算棒進行高速目標檢測

轉載請註明作者夢裡茶

NCS Pi

程式碼:
訓練資料預處理：
https://gist.github.com/ahangchen/ae1b7562c1f93fdad1de58020e94fbdf
測試：https://github.com/ahangchen/ncs_detection

Star是一種美德。

Background

最近在做一個專案，要在樹莓派上分析視訊中的圖片，檢測目標，統計目標個數，這是一張樣例圖片：

Cattle Counting

Motivation

當下效果最好的目標檢測都是基於神經網路來做的，包括faster rcnn， ssd, yolo2等等，要在樹莓派這種資源緊張的裝置上執行檢測模型，首先想到的就是用最輕量的MobileNet SSD，使用Tensorflow object detection api實現的MobileNet SSD雖然已經非常輕，但在樹莓派上推導一張1280x720的圖仍然需要2秒，有興趣的同學可以參考這兩個專案：

armv7版Tensorflow（必須是1.4及以上）:

https://github.com/lhelontra/tensorflow-on-arm/releases
Tensorflow Object detection API: https://github.com/tensorflow/models/tree/master/research/object_detection

具體的操作在Tensorflow文件裡都說的很清楚了，在樹莓派上的操作也是一樣的，有問題可以評論區討論

Hardware

極限的模型仍然不能滿足效能需求，就需要請出我們今天的主角了，Intel Movidius Neural Computing Stick

Intel Movidius Neural Computing Stick

處理器	Intel Movidius VPU
支援框架	TensorFlow, Caffe
連線方式	USB 3.0 Type-A
尺寸	USB stick (72.5mm X 27mm X 14mm)
工作溫度	0° - 40° C

	x86_64 Ubuntu 16.04主機
	Raspberry Pi 3B Stretch desktop
	Ubuntu 16.04 虛擬機器
系統要求	USB 2.0 以上 (推薦 USB 3.0)
	1GB 記憶體
	4GB 儲存

實際上這不是一個GPU，而是一個專用計算晶片，但能起到類似GPU對神經網路運算的加速作用。

京東上搜名字可以買到，只要500元左右，想想一塊GPU都要幾千塊錢，就會覺得很值了。

SDK是開源的：https://github.com/movidius/ncsdk

提問不在GitHub issue裡，而是在一個專門的論壇：https://ncsforum.movidius.com/

雖然目前NCSDK支援的框架包含Tensorflow和Caffe，但並不是支援所有的模型，目前已支援的模型列表可以在這裡查到：https://github.com/movidius/ncsdk/releases

截止到2018年3月15日，NCSDK還沒有支援Tensorflow版的MobileNet SSD（比如tf.cast這個操作還未被支援），所以我們需要用Caffe來訓練模型，部署到樹莓派上。

Environment

ncsdk的環境分為兩部分，訓練端和測試端。

訓練端通常是一個Ubuntu 帶GPU主機，訓練Caffe或TensorFlow模型，編譯成NCS可以執行的graph；
測試端則面向ncs python mvnc api程式設計，可以執行在樹莓派上raspbian stretch版本，也可以執行在訓練端這種機器上。

訓練端

安裝

安裝這個過程，說難不難，也就幾行命令的事情，但也有很多坑

在訓練端主機上，插入神經計算棒，然後：

git clone https://github.com/movidius/ncsdk
cd ncsdk
make install

其中，make install乾的是這些事情：

檢查安裝Tensorflow
檢查安裝Caffe(SSD-caffe)
編譯安裝ncsdk（不包含inference模組，只包含mvNCCompile相關模組，用來將Caffe或Tensorflow模型轉成NCS graph的）

注意，

這些庫都是安裝到/opt/movidius/這個目錄下，並關聯到系統python3裡邊的（/usr/bin/python3），如果你電腦裡原來有tf或caffe，也不會被關聯上去
NCSDK mvNCCompile模組目前只相容python3，我嘗試過將安裝完的SDK改成相容python2的版本，可以將模型編譯出來，但是在執行時會報錯，所以暫時放棄相容python2了，也建議大家用預設的python3版本
這個步驟主要的坑來自萬惡的Caffe，如果你裝過python3版的caffe，大概會有經驗一些，這裡有幾個小坑提示一下：
- 最好在ncsdk目錄中的ncsdk.conf中，開啟caffe的cuda支援，即設定CAFFE_USE_CUDA=yes，這樣你之後也能用這個caffe來訓練模型
- caffe的依賴會在指令碼中安裝，但有些Debian相容問題要解決
- 開啟CUDA支援後，編譯caffe會找不到libboost-python3，因為在Ubuntu16.04裡，它叫libboost-python3.5，所以要軟連結一下：

cd /usr/lib/x86_64-linux-gnu/
sudo ln -s libboost_python-py35.so libboost_python3.so

其他可能出現的caffe的坑，可以在我部落格找找答案，如果沒有的話，就去caffe的GitHub issue搜吧

測試

一波操作之後，我們裝好了ncsdk編譯模組，可以下載我訓練的caffe模型，嘗試編譯成ncs graph

git clone https://github.com/ahangchen/MobileNetSSD
mvNCCompile example/MobileNetSSD_deploy.prototxt -w MobileNetSSD_deploy.caffemodel -s 12 -is 300 300 -o ncs_mobilenet_ssd_graph

這裡其實是呼叫python3去執行/usr/local/bin/ncsdk/mvNCCompile.py這個檔案，不出意外在當前版本（1.12.00）你會遇到這個錯誤：

[Error 17] Toolkit Error: Internal Error: Could not build graph. Missing link: conv11_mbox_conf

這是因為NCSDK在處理caffe模型的時候，會把conv11_mbox_conf_new節點叫做conv11_mbox_conf，所以build graph的時候就會找不著。因此需要為這種節點起一個別名，即，將conv11_mbox_conf_new起別名為conv11_mbox_conf，修改SDK程式碼中的/usr/local/bin/ncsdk/Models/NetworkStage.py，在第85行後面新增：

if ''_new' in name:
    self.alias.append(name[:-4])

於是就能編譯生成graph了，你會看到一個名為ncs_mobilenet_ssd_graph的檔案。

上邊這個bug我已經跟NCSDK的工程師講了，他們在跟進修這個bug：

NCS bug

測試端

NCSDK

測試端要安裝ncsdk python api，用於inference，實際上測試端能做的操作，訓練端也都能做

git clone https://github.com/movidius/ncsdk
cd api/src
make install

從輸出日誌可以發現，將ncsdk的lib和include檔案分別和系統的python2（/usr/bin/python2）和python3(/usr/bin/python3)做了關聯。

然後你可以下一個GitHub工程來跑一些測試：

git clone https://github.com/movidius/ncappzoo
cd ncappzoo/apps/hello_ncs_py
python3 hello_ncs.py
python2 hello_ncs.py

沒報錯就是裝好了，測試端很簡單。

OpenCV

看pyimagesearch這個教程

Caffe模型訓練

就是正常的用caffe訓練MobileNet-SSD，主要參考這個倉庫：

MobileNet-SSD: https://github.com/chuanqi305/MobileNet-SSD

README裡將步驟講得很清楚了

下載SSD-caffe（這個我們已經在NCSDK裡裝了）
下載chuanqi在VOC0712上預訓練的模型
把MobileNet-SSD這個專案放到SSD-Caffe的examples目錄下，這一步可以不做，但是要對應修改train.sh裡的caffe目錄位置
建立你自己的labelmap.prototxt，放到MobileNet-SSD目錄下，比如說，你是在coco預訓練模型上訓練的話，可以把coco的標籤檔案複製過來，將其中與你的目標類（比如我的目標類是Cattle）相近的類（比如Coco中是Cow）改成對應的名字，並用它的label作為你的目標類的label。（比如我用21這個類代表Cattle）
用你自己的資料訓練MobileNet-SSD，參考SSD-caffe的wiki，主要思路還是把你的資料轉換成類似VOC或者COCO的格式，然後生成lmdb，坑也挺多的：

假設你的打的標籤是這樣一個檔案raw_label.txt，假裝我們資料集只有兩張圖片：

data/strange_animal/1017.jpg 0.487500   0.320675    0.670000    0.433193
data/strange_animal/1018.jpg 0.215000   0.293952    0.617500    0.481013

我們的目標是將標籤中涉及的圖片和位置資訊轉成這樣一個目錄（在ssd-caffe/data/coco目錄基礎上生成的）：

coco_cattle
├── all # 存放全部圖片和xml標籤檔案
│   ├── 1017.jpg
│   ├── 1017.xml
│   ├── 1018.jpg
│   └── 1018.xml
├── Annotations # 存放全部標籤xml
│   ├── 1017.xml
│   └── 1018.xml
├── create_data.sh # 將圖片轉為lmdb的指令碼
├── create_list.py # 根據ImageSets裡的資料集劃分檔案，生成jpg和xml的對應關係檔案到coco_cattle目錄下，但我發現這個對應關係檔案用不上
├── images  # 存放全部圖片
│   ├── 1017.jpg
│   └── 1018.jpg
├── ImageSets # 劃分訓練集，驗證集和測試集等，如果只想分訓練和驗證的話，可以把minival.txt,testdev.txt,test.txt內容改成一樣的
│   ├── minival.txt 
│   ├── testdev.txt
│   ├── test.txt
│   └── train.txt
├── labelmap_coco.prototxt # 如前所述的標籤檔案，改一下可以放到MobileNet-SSD目錄下
├── labels.txt
├── lmdb # 手動建立這個目錄
│   ├── coco_cattle_minival_lmdb # 自動建立的，由圖片和標籤轉換來的LMDB檔案
│   ├── coco_cattle_testdev_lmdb
│   ├── coco_cattle_test_lmdb
│   └── coco_cattle_train_lmdb
├── minival.log
├── README.md
├── testdev.log
├── test.log
└── train.log

其中，標籤xml的格式如下：

<annotation>
  <folder>train</folder>
  <filename>86</filename>
  <source>
    <database>coco_cattle</database>
  </source>
  <size>
    <width>720</width>
    <height>1280</height>
    <depth>3</depth>
  </size>
  <segmented>0</segmented>
  <object>
    <name>21</name>
    <pose>Unspecified</pose>
    <truncated>0</truncated>
    <difficult>0</difficult>
    <bndbox>
      <xmin>169</xmin>
      <ymin>388</ymin>
      <xmax>372</xmax>
      <ymax>559</ymax>
    </bndbox>
  </object>
  <object>
    <name>21</name>
    <pose>Unspecified</pose>
    <truncated>0</truncated>
    <difficult>0</difficult>
    <bndbox>
      <xmin>169</xmin>
      <ymin>388</ymin>
      <xmax>372</xmax>
      <ymax>559</ymax>
    </bndbox>
  </object>
</annotation>

代表一張圖中多個物件所在位置（bndbox節點表示），以及類別（name）。

一開始，all, Annotations, images, ImageSets,lmdb四個目錄都是空的，你可以把自己的圖片放到隨便哪個地方，只要在raw_label.txt裡寫好圖片路徑就行
讀取raw_label.txt，利用lxml構造一棵dom tree，然後寫到Annotations對應的xml裡，並將對應的圖片移動到image目錄裡，可以參考這份程式碼。並根據我們設定的train or not標誌符將當前這張圖片分配到訓練集或測試集中（也就是往ImageSet/train.txt中寫對應的圖片名）
這樣一波操作之後，我們的images和Annotations目錄裡都會有資料了，接下來我們需要把它們一塊複製到all目錄下

cp images/* all/
cp Annotations/* all/

然後用create_data.sh將all中的資料，根據ImageSet中的資料集劃分，建立訓練集和測試集的lmdb，這裡對coco的create_data.sh做了一點修改：

cur_dir=$(cd $( dirname ${BASH_SOURCE[0]} ) && pwd )
root_dir=$cur_dir/../..

cd $root_dir

redo=true
# 這裡改成all目錄
data_root_dir="$cur_dir/all"
# 這裡改成自己的資料集名，也是我們這個目錄的名字
dataset_name="coco_cattle"
# 指定標籤檔案
mapfile="$root_dir/data/$dataset_name/labelmap_coco.prototxt"
anno_type="detection"
label_type="xml"
db="lmdb"
min_dim=0
max_dim=0
width=0
height=0

extra_cmd="--encode-type=jpg --encoded"
if $redo
then
  extra_cmd="$extra_cmd --redo"
fi
for subset in minival testdev train test
do
  python3 $root_dir/scripts/create_annoset.py --anno-type=$anno_type --label-type=$label_type --label-map-file=$mapfile --min-dim=$min_dim --max-dim=$max_dim --resize-width=$width --resize-height=$height --check-label $extra_cmd $data_root_dir $root_dir/data/$dataset_name/ImageSets/$subset.txt $data_root_dir/../$db/$dataset_name"_"$subset"_"$db examples/$dataset_name 2>&1 | tee $root_dir/data/$dataset_name/$subset.log
done

於是會lmdb目錄下會為每個劃分集合建立一個目錄，存放資料

├── lmdb
│   ├── coco_cattle_minival_lmdb
│   │   ├── data.mdb
│   │   └── lock.mdb
│   ├── coco_cattle_testdev_lmdb
│   │   ├── data.mdb
│   │   └── lock.mdb
│   ├── coco_cattle_test_lmdb
│   │   ├── data.mdb
│   │   └── lock.mdb
│   └── coco_cattle_train_lmdb
│       ├── data.mdb
│       └── lock.mdb

將5生成的lmdb連結到MobileNet-SSD的目錄下：

cd MobileNet-SSD
ln -s PATH_TO_YOUR_TRAIN_LMDB trainval_lmdb
ln -s PATH_TO_YOUR_TEST_LMDB test_lmdb

執行gen_model.sh生成三個prototxt（train, test, deploy）

# 預設clone下來的目錄是沒有example這個目錄的，而gen_model.sh又會把檔案生成到example目錄
mkdir example
./gen_model.sh

訓練

./train.sh

這裡如果爆視訊記憶體了，可以到example/MobileNetSSD_train.prototxt修改batch size，假如你batch size改到20，剛好可以吃滿GTX1060的6G視訊記憶體，但是跑到一定步數（設定在solver_test.prototxt裡的test_interval變數），會執行另一個小batch的test（這個batch size定義在example/MobileNetSSD_test.prototxt裡），這樣就會再爆視訊記憶體，所以如果你的train_batch_size + test_batch_size <= 20的話才可以保證你在6G視訊記憶體上能順利完成訓練，我的設定是train_batch_size=16, test_batch_size=4

一開始的training loss可能比較大，30左右，等到loss下降到2.x一段時間就可以ctrl+c退出訓練了，模型權重會自動儲存在snapshot目錄下

執行merge_bn.py將訓練得到的模型去除bn層，得到可部署的Caffe模型，這樣你就能得到一個名為MobileNetSSD_deploy.caffemodel的權重檔案，對應的prototxt為example/MobileNetSSD_deploy.prototxt
離題那麼久，終於來到主題，我們要把這個caffemodel編譯成NCS可執行的graph，這個操作之前在搭環境的部分也提過：

mvNCCompile example/MobileNetSSD_deploy.prototxt -w MobileNetSSD_deploy.caffemodel -s 12 -is 300 300 -o ncs_mobilenet_ssd_graph

引數格式：

mvNCCompile prototxt路徑 -w 權重檔案路徑 -s 最大支援的NCS數目 -is 輸入圖片寬度 輸入圖片高度 -o 輸出graph路徑

其實訓練端相對於chuanqi的MobileNet-SSD沒啥改動，甚至訓練引數也不用怎麼改動，主要工作還是在資料預處理上，可以參考我的預處理程式碼

樹莓派NCS模型測試

現在我們要用ncs版的ssd模型在樹莓派上進行對圖片做檢測，這個目標一旦達成我們自然也能對視訊或攝像頭資料進行檢測了。

倉庫結構

ncs_detection
├── data # 標籤檔案
│   └── mscoco_label_map.pbtxt
├── file_helper.py # 檔案操作輔助函式
├── model # 訓練好的模型放在這裡
│   ├── ncs_mobilenet_ssd_graph
│   └── README.md
├── ncs_detection.py # 主入口
├── object_detection # 改了一下TF的Object detection包中的工具類來用
│   ├── __init__.py
│   ├── protos
│   │   ├── __init__.py
│   │   ├── string_int_label_map_pb2.py
│   │   └── string_int_label_map.proto
│   └── utils
│       ├── __init__.py
│       ├── label_map_util.py
│       └── visualization_utils.py
├── r10 # 圖片資料
│   ├── 00000120.jpg
│   ├── 00000133.jpg
│   ├── 00000160.jpg
│   ├── 00000172.jpg
│   ├── 00000192.jpg
│   ├── 00000204.jpg
│   ├── 00000220.jpg
│   └── 00000236.jpg
├── README.md
└── total_cnt.txt

由於這個工程一開始是用Tensorflow Object Detection API做的，所以改了其中的幾個檔案來讀標籤和畫檢測框，將其中跟tf相關的程式碼去掉。
TF的圖片IO是用pillow做的，在樹莓派上速度奇慢，對一張1280x720的圖使用Image的get_data這個函式獲取資料需要7秒，所以我改成了OpenCV來做IO。

任務目標

檢測r10目錄中的圖片中的物件，標記出來，存到r10_tmp目錄裡

流程

def config_init(dataset_pref):
    os.system('mkdir %s_tmp' % dataset_pref)
    os.system('rm %s_tmp/*' % dataset_pref)

指定模型路徑，標籤位置，類別總數，測試圖片路徑

PATH_TO_CKPT = 'model/ncs_mobilenet_ssd_graph'
PATH_TO_LABELS = os.path.join('data', 'mscoco_label_map.pbtxt')
NUM_CLASSES = 81
TEST_IMAGE_PATHS = [os.path.join(img_dir, '%08d.jpg' % i) for i in range(start_index, end_index)]

發現並嘗試開啟神經計算棒

def ncs_prepare():
    print("[INFO] finding NCS devices...")
    devices = mvnc.EnumerateDevices()

    if len(devices) == 0:
        print("[INFO] No devices found. Please plug in a NCS")
        quit()

    print("[INFO] found {} devices. device0 will be used. "
          "opening device0...".format(len(devices)))
    device = mvnc.Device(devices[0])
    device.OpenDevice()
    return device

將NCS模型載入到NCS中

def graph_prepare(PATH_TO_CKPT, device):
    print("[INFO] loading the graph file into RPi memory...")
    with open(PATH_TO_CKPT, mode="rb") as f:
        graph_in_memory = f.read()

    # load the graph into the NCS
    print("[INFO] allocating the graph on the NCS...")
    detection_graph = device.AllocateGraph(graph_in_memory)
    return detection_graph

準備好標籤與類名對應關係

category_index = label_prepare(PATH_TO_LABELS, NUM_CLASSES)

讀取圖片，由於Caffe訓練圖片採用的通道順序是RGB，而OpenCV模型通道順序是BGR，需要轉換一下

image_np = cv2.imread(image_path)
image_np = cv2.cvtColor(image_np, cv2.COLOR_BGR2RGB)

使用NCS模型為輸入圖片推斷目標位置

def predict(image, graph):
    image = preprocess_image(image)
    graph.LoadTensor(image, None)
    (output, _) = graph.GetResult()
    num_valid_boxes = output[0]
    predictions = []
    for box_index in range(num_valid_boxes):
        base_index = 7 + box_index * 7

        if (not np.isfinite(output[base_index]) or
                not np.isfinite(output[base_index + 1]) or
                not np.isfinite(output[base_index + 2]) or
                not np.isfinite(output[base_index + 3]) or
                not np.isfinite(output[base_index + 4]) or
                not np.isfinite(output[base_index + 5]) or
                not np.isfinite(output[base_index + 6])):
            continue

        (h, w) = image.shape[:2]
        x1 = max(0, output[base_index + 3])
        y1 = max(0, output[base_index + 4])
        x2 = min(w, output[base_index + 5])
        y2 = min(h, output[base_index + 6])
        pred_class = int(output[base_index + 1]) + 1
        pred_conf = output[base_index + 2]
        pred_boxpts = (y1, x1, y2, x2)

        prediction = (pred_class, pred_conf, pred_boxpts)
        predictions.append(prediction)

    return predictions

其中，首先將圖片處理為Caffe輸入格式，縮放到300x300，減均值，縮放到0-1範圍，轉浮點數

def preprocess_image(input_image):
    PREPROCESS_DIMS = (300, 300)
    preprocessed = cv2.resize(input_image, PREPROCESS_DIMS)
    preprocessed = preprocessed - 127.5
    preprocessed = preprocessed * 0.007843
    preprocessed = preprocessed.astype(np.float16)
    return preprocessed

graph推斷得到目標位置，類別，分數

graph.LoadTensor(image, None)
(output, _) = graph.GetResult()

其中的output格式為，

[
    目標數量，
    class，score，xmin, ymin, xmax, ymax,
    class，score，xmin, ymin, xmax, ymax,
    ...
]

根據我們感興趣的類別和分數進行過濾

def predict_filter(predictions, score_thresh):
    num = 0
    boxes = list()
    scores = list()
    classes = list()
    for (i, pred) in enumerate(predictions):
        (cl, score, box) = pred
        if cl == 21 or cl == 45 or cl == 19 or cl == 76 or cl == 546 or cl == 32:
            if score > score_thresh:
                boxes.append(box)
                scores.append(score)
                classes.append(cl)
                num += 1
    return num, boxes, classes, scores

用OpenCV將當前圖片的物件數量寫到圖片右上角，用pillow（tf庫中的實現）將當前圖片的物件位置和類別在圖中標出

def add_str_on_img(image, total_cnt):
    cv2.putText(image, '%d' % total_cnt, (image.shape[1] - 100, 50), cv2.FONT_HERSHEY_SIMPLEX, 1, (0, 255, 0), 2)

result = vis_util.visualize_boxes_and_labels_on_image_array(
                image_np,
                np.squeeze(valid_boxes).reshape(num, 4),
                np.squeeze(valid_classes).astype(np.int32).reshape(num, ),
                np.squeeze(valid_scores).reshape(num, ),
                category_index,
                use_normalized_coordinates=True,
                min_score_thresh=score_thresh,
                line_thickness=8)

儲存圖片

 cv2.imwrite('%s_tmp/%s' % (dataset_pref, image_path.split('/')[-1]),
                        cv2.cvtColor(result, cv2.COLOR_RGB2BGR))

釋放神經計算棒

def ncs_clean(detection_graph, device):
    detection_graph.DeallocateGraph()
    device.CloseDevice()

執行

python2 ncs_detection.py

結果

框架	圖片數量/張	耗時
TensorFlow	1800	60min
NCS	1800	10min
TensorFlow	1	2sec
NCS	1	0.3sec

效能提升6倍！單張圖300毫秒，可以說是毫秒級檢測了。在論壇上有霓虹國的同行嘗試後，甚至評價其為“超爆速”。

擴充套件

單根NCS一次只能執行一個模型，但是我們可以用多根NCS，多執行緒做檢測，達到更高的速度，具體可以看Reference第二條。

Reference

看了這麼久，還不快去給我的GitHub點star!

毫秒級檢測！你見過帶GPU加速的樹莓派嗎？

Background

Motivation

Hardware

Environment

訓練端

安裝

測試

測試端

NCSDK

OpenCV

Caffe模型訓練

樹莓派NCS模型測試

倉庫結構

任務目標

流程

執行

結果

擴充套件

Reference

毫秒級檢測！你見過帶GPU的樹莓派嗎？

毫秒級檢測！你見過帶GPU加速的樹莓派嗎？

一個63+8！一個75+7！你見過這樣神仙打架嗎？

能藏套套、能防沈迷、能玩桌遊……這些創意手機殼，你見過沒！

這可能是你見過的最全的網路爬蟲乾貨總結！抓緊時間收藏！

教你利用Python把圖片轉字元畫！程式碼哆啦A夢你見過嘛？

果敢老百勝娛樂13208831115你見過淩晨12點後的麥當勞嗎？

看過來！有見過這些奇葩事？

智能玻璃，你見過嗎？

雷軍22年前寫的代碼你見過嗎?

2018年最火熱的十個Python開源專案！你用過哪些？

你見過最牛逼的程式設計師是什麼樣的？拳打回車鍵，腳踩Emacs編輯器

你見過出身最奇特的碼農是怎樣的？

這八個爬蟲框架是目前最牛逼的！你用過哪幾個呢？

一封來自惡魔的挑戰邀請函，那些你見過或者沒見過的C語言指標都在這裡了

那些你見過或沒見過的 C語言指標都在這裡了

Java之父22年前寫的一段程式碼，你見過嗎？

你見過最大的Python專案是多大？十萬行的你見過？還說程式碼量少？

雷軍22年前寫的程式碼你見過嗎?

Oracle 資料庫之最：你見過最高的 SQL Version 是多少？

毫秒級檢測！你見過帶GPU加速的樹莓派嗎？

Background

Motivation

Hardware

Environment

訓練端

安裝

測試

測試端

NCSDK

OpenCV

Caffe模型訓練

樹莓派NCS模型測試

倉庫結構

任務目標

流程

執行

結果

擴充套件

Reference

相關推薦