ai 开发
开发步骤总览
- 选择与训练模型
- Caffe：由Berkeley Vision and Learning Center 开发，以速度和效率见长，特别适合计算机视觉任务。其模型定义采用配置文件（.prototxt），权重存储在二进制文件（.caffemodel）中。
- PyTorch：由 Facebook AI Research 开发，以其动态计算图和易读的 Pythonic API 而受到欢迎，非常适合研究和原型开发。模型可以直接保存为脚本或序列化为二进制文件（.pt 或 .pth）。
- ONNX (Open Neural Network Exchange)：是一种开放格式，用于表示深度学习模型，支持多种框架间的模型转换。通过ONNX，用户可以在一个框架（如PyTorch）训练模型，然后转换到另一个框架（如TensorFlow）或其他平台（如SoC）。
- TensorFlow：由Google Brain团队开发，以其强大的计算图概念和丰富的生态系统而知名，广泛应用于工业级生产环境。模型结构用Python编写，权重数据存储在.pb文件中（或者使用新版的SavedModel格式）。
- 模型优化与转换(模型剪枝、量化...)
- 使用海思提供的工具（MindStudio）
- SDK与开发环境准备 (通过API接口和开发文档，加载和执行AI模型)
- 使用海思提供的文档
- 系统集成和AI部署(整合摄像头驱动程序与AI模型推理引擎，实时捕获视频流输入到模型中进行人形识别，并从模型获取输出结果)
- https://github.com/tensorflow/models/tree/master/research/object_detection :
- 先获得 预训练模型的ckpt文件，然后通过模型配置文件（pipeline.config）以及TensorFlow Object Detection API提供的脚本(**.py)来将ckpt转换为frozen inference graph（.pb）
- https://github.com/tensorflow/models/blob/master/research/object_detection/g3doc/tf2_detection_zoo.md :
- EfficientDet D7 1536x1536： EfficientDet 是基于EfficientNet的一种先进的目标检测框架，它结合了Bi-FPN等技术，可以达到非常高的精度，但计算需求相对较高，D7表示该系列中的最高复杂度版本.