Machine learning 覆盆子皮上的SSD或YLO
是否可以在raspberry pi 3上运行SSD或YOLO对象检测以进行实时对象检测（2/4帧x秒）Machine learning 覆盆子皮上的SSD或YLO,machine-learning,deep-learning,solid-state-drive,yolo,Machine Learning,Deep Learning,Solid State Drive,Yolo,是否可以在raspberry pi 3上运行SSD或YOLO对象检测以进行实时对象检测（2/4帧x秒） 我尝试过用python实现，但每帧需要14秒。我最近开始为我的一个项目研究对象检测，我想知道我是否遗漏了一些东西 我想在树莓皮3上实现一个实时目标检测系统，用于监视开放空间（如花园）。我已经尝试了一些可用的解决方案。我不需要检测很多类（只有3个人，狗，自行车），所以也许最快的选项可以用更少的过滤器和参数重新训练，从而减少总的计算时间 Darknet（YOLO）[安装默认的Darknet测试的Y
我尝试过用python实现，但每帧需要14秒。我最近开始为我的一个项目研究对象检测，我想知道我是否遗漏了一些东西 我想在树莓皮3上实现一个实时目标检测系统，用于监视开放空间（如花园）。我已经尝试了一些可用的解决方案。我不需要检测很多类（只有3个人，狗，自行车），所以也许最快的选项可以用更少的过滤器和参数重新训练，从而减少总的计算时间 Darknet（YOLO）[安装默认的Darknet测试的YOLOv2和YOLO在raspberry pi3上运行，每个帧在每个图像上运行约450秒。Tiny YOLO在每个图像上运行了40秒 Tensorflow Google Object Detection（API）[：我已经尝试了所有可用的网络。性能最好的是SSD inception网络，每幅图像运行26秒 Microsoft Embedded Learning Library（ELL）[：由于某些编译原因，我无法使其工作，但稍后将尝试再次检查它。请让我知道这是否适用于您，以及它在对象检测任务中的执行情况 Darknet NNPACK[：此处，Darknet针对arm处理器进行了优化，并使用某种FFT实现实现了卷积运算，大大提高了运算速度 我已经从中获得了最大的希望，但它也有它的问题 已安装的darknet tested YOLO（完整版本1）在Raspberry Pi3上运行，每个图像需要约45秒，比默认YOLO网络快10倍。Tiny YOLO每帧运行1.5秒，但未给出任何结果 这可能是由于模型和cfg文件之间的版本冲突而报告的错误。我已经打开了一个github（问题）[不久前，还没有收到响应 MXnet（SSD）[：MXnet中的SSD端口（未使用NNPACK编译）MXnet SSD resnet 50每个映像88秒MXnet SSD接收v3每个映像35秒
尤罗咖啡[：在yolo_small上运行caffe每帧运行24秒。在yolo_tiny上运行caffe每帧运行5秒。这看起来是我尝试过的最快的一次，除非darknet nnpack问题能够解决。我设法在raspberry pi上运行MobileNetSSD，并获得大约4-5 fps。问题是，你可能获得80-90%的pi资源使相机RSTP连接在大量活动中失败，丢失大量帧，并在帧上获得大量工件，因此我不得不购买NCS棒并将其插入pi，现在我可以以4 fps的速度运行，但pi资源在30%左右非常低。
使用mobilenet ssd的ncs处理图像大约需要0.80秒。一个选项是使用Movidius ncs，只有在型号小得多的情况下，使用raspberry才会起作用 关于NCS的实施： 您应该能够使Mobilenet SSD以~8fps的速度运行。有一些示例适用于简单的用例。我目前正在开发一种类似于Darknet参考模型的对象检测器，该检测器在NCS中以~15fps的速度运行，但该模型尚不可用。 一旦它运行良好，我会将其开源 这是：
这些值都是无关紧要的。如果一个模型每张图像花费的时间超过1秒，那就无关紧要了。你到底为什么要尝试一个完整的蛋黄酱或覆盆子！？.8秒每张图像=1.2 fps.I“我不知道你是怎么做到的？我只处理有运动的图像，为什么你要处理静态视频源。VPU没有任何标签，它可以24/7运行。我甚至在他们的社区上询问过，他们最好不要24/7运行