트레이딩을 위한 ONNX 학습 - 페이지 9

[MetaQuotes]

다양한 MobileNet ONNX 모델과 함께 Raspberry Pi에서 작동하는 이미지 분류

다양한 MobileNet ONNX 모델과 함께 Raspberry Pi에서 작동하는 이미지 분류

MobileNet V1 ONNX 모델의 3가지 패턴을 사용하여 ONNX Runtime에서 Raspberry Pi 4에서 이미지 분류를 수행합니다.

1. 깊이 1.00 및 224x224
2. 깊이 0.50 및 160x160
3. 깊이 0.25 및 128x128

사용된 모델에 따라 7ms로 분류됩니다.

[MetaQuotes]

Raspberry Pi 4에서 작동하는 ONNX Runtime의 SSDLite Mobilenet V2

Raspberry Pi 4에서 작동하는 ONNX Runtime의 SSDLite Mobilenet V2

ONNX Runtime의 SSDLite Mobilenet V2는 하드웨어 가속 없이 Raspberry Pi 4에서 작동합니다.

[MetaQuotes]

Raspberry Pi 4에서 작동하는 ONNX 런타임의 SSDLite Mobilenet V1 0.75 깊이

Raspberry Pi 4에서 작동하는 ONNX 런타임의 SSDLite Mobilenet V1 0.75 깊이

하드웨어 가속 없이 Raspberry Pi 4에서 작동하는 ONNX Runtime의 SSDLite Mobilenet V1 0.75 깊이.

[MetaQuotes]

Raspberry Pi 4에서 작동하는 ONNX Runtime의 Tiny-YOLOv3

Raspberry Pi 4에서 작동하는 ONNX Runtime의 Tiny-YOLOv3

하드웨어 가속 없이 Raspberry Pi 4에서 작동하는 ONNX Runtime의 Tiny-YOLOv3.

[MetaQuotes]

최적화된 ONNX 런타임을 사용한 Raspberry Pi 4 분류 및 개체 감지

최적화된 ONNX 런타임을 사용한 Raspberry Pi 4 분류 및 개체 감지

ONNX Runtime에서 Raspberry Pi 4에 대한 이미지 분류 수행:

1. MobileNet V3를 사용한 분류;
2. SSDLite MobileNet V2를 사용한 탐지.

[MetaQuotes]

ONNX 런타임이 최적화된 Raspberry Pi 4 개체 감지(2020년 말)

ONNX 런타임이 최적화된 Raspberry Pi 4 개체 감지(2020년 말)

하드웨어 : 라즈베리 파이 4B
운영체제 : 라즈베리 파이 OS(32비트)
소프트웨어: 사용자 지정 실행 공급자가 포함된 ONNX Runtime 1.4.0(CPU 가속)
모델:

• MobileNetV1 SSD 0.75 깊이 300x300 FP32(TensorFlow 변환됨)
  http://download.tensorflow.org/models/object_detection/ssd_mobilenet_v1_0.75_depth_300x300_coco14_sync_2018_07_03.tar.gz
  
  
• 모델 : MobileNetV2 SSDLite 300x300 FP32 (TensorFlow 변환)
  http://download.tensorflow.org/models/object_detection/ssdlite_mobilenet_v2_coco_2018_05_09.tar.gz
  
  
• 작은 YOLOv3
  https://github.com/onnx/models/blob/main/vision/object_detection_segmentation/tiny-yolov3/model/tiny-yolov3-11.onnx

[MetaQuotes]

Raspberry Pi 4에서 작동하는 ONNX Runtime의 Tiny-YOLOv3

Raspberry Pi 4에서 작동하는 ONNX Runtime의 Tiny-YOLOv3

하드웨어 가속 없이 Raspberry Pi 4에서 작동하는 ONNX Runtime의 Tiny-YOLOv3.

[MetaQuotes]

Raspberry Pi 4에서 자율 주행 물체 감지!

Raspberry Pi 4에서 자율 주행 물체 감지!

이 자습서에서 강사는 자율 주행 훈련된 신경망을 사용하여 객체 감지를 위해 Raspberry Pi 4를 구성하는 데 필요한 단계를 시연합니다. 여기에는 리포지토리 복제, 가상 환경 설정, GPIO, OpenCV 및 TensorFlow와 같은 종속성 설치 및 Raspberry Pi 카메라 모듈 구성이 포함됩니다. 다음으로 강사는 LED와 푸시 버튼을 Pi에 연결하고 Python 스크립트를 실행하여 물체 감지로 이미지를 캡처하는 방법을 시연합니다. 마지막으로 사용자는 배치 rc 파일을 조정하여 부팅 시 스크립트를 실행하고 출력 경로에 저장된 이미지로 영상을 녹화할 수 있습니다.

• 00:00:00 이 섹션에서 비디오 강사는 소프트웨어 구성 단계를 통해 Raspberry Pi 4에서 자율 주행 훈련된 신경망으로 객체 감지를 수행합니다. 강사는 먼저 Raspberry Pi가 최신 상태인지 확인하고 리포지토리를 복제합니다. 비디오 설명에 제공되며 가상 환경을 설치하여 이 프로젝트에 대한 종속성을 시스템의 다른 프로젝트와 별도로 유지합니다. 그런 다음 강사는 bash 스크립트를 실행하여 프로젝트에 필요한 모든 것인 gpio python 패키지, OpenCV 및 TensorFlow와 같은 종속 항목을 설치하기 전에 가상 환경을 활성화합니다. 마지막으로 강사는 터미널에 구성 설정을 입력하고 Raspberry Pi 4에 연결하여 Raspberry Pi 카메라 모듈을 구성하는 방법을 보여줍니다.
  
  
• 00:05:00 이 섹션에서는 발표자가 자율 주행 물체 감지를 위해 Raspberry Pi에 카메라 모듈, LED 및 푸시 버튼을 설정하는 방법을 시연합니다. 카메라 모듈은 단순히 Pi에 연결되고 제자리에 고정됩니다. 프로그램이 실행되는 동안 시각적 피드백을 제공하기 위해 LED가 470옴 저항으로 Pi에 연결됩니다. 마찬가지로 브레드보드에 푸시 버튼이 추가되어 이미지 처리를 시작하고 중지할 수 있습니다. 그런 다음 발표자는 처리된 이미지를 지정된 위치에 저장하는 모니터 신경망 및 출력 경로에 대한 인수와 함께 Python 스크립트를 실행하여 설정의 소프트웨어 측면을 보여줍니다.
  
  
• 00:10:00 이 섹션에서는 출력 경로와 개체 감지 기능이 있는 Raspberry Pi에서 캡처한 이미지가 저장되는 위치를 확인합니다. 사용자는 계속해서 배치 rc 파일을 조정하여 파이썬 스크립트가 키보드나 마우스 없이도 부팅 시 실행되도록 합니다. 마지막 단계는 Raspberry Pi를 차에 넣고 AC 콘센트에 연결한 다음 지정된 출력 경로에 저장되는 처리된 이미지로 영상 녹화를 시작하는 것입니다. 사용자는 캡처한 이미지를 gif 또는 비디오로 변환할 수 있다고 제안합니다.

[MetaQuotes]

개체 감지를 위해 Raspberry Pi에서 TensorFlow Lite를 실행하는 방법

개체 감지를 위해 Raspberry Pi에서 TensorFlow Lite를 실행하는 방법

이 튜토리얼에서는 개체 감지를 위해 Raspberry Pi에서 TensorFlow Lite를 설정하는 방법을 설명합니다. 여기에는 Pi 업데이트, 카메라 인터페이스 활성화, GitHub 리포지토리 다운로드, 가상 환경 생성, TensorFlow 및 OpenCV 설치, 필요한 모든 패키지 및 종속성을 설치하기 위한 셸 스크립트 실행이 포함됩니다. 사용자는 Google에서 제공하는 샘플 모델을 다운로드하거나 자신의 커스텀 모델을 학습시킬 수 있습니다. 모델이 준비되면 사용자는 Python 3에서 코드를 실행하여 실시간 웹캠 감지 스크립트, 비디오 및 이미지 감지를 볼 수 있습니다. TensorFlow Lite의 향상된 속도는 스마트 카메라 또는 경보 시스템과 같은 실시간 감지 애플리케이션에 유용합니다. 크리에이터는 또한 자신의 애완 동물 탐지기 프로젝트를 언급하고 시청자가 Coral USB 가속기 설정에 대한 다음 비디오를 시청하도록 권장합니다.

• 00:00:00 이 섹션에서 비디오 자습서는 개체 감지를 위해 Raspberry Pi에서 TensorFlow Lite를 설정하는 방법에 대한 단계별 가이드를 제공합니다. TensorFlow Lite는 Pi와 같은 저전력 장치에서 실행되도록 최적화된 경량 기계 학습 모델로, 더 빠른 추론 시간과 더 적은 처리 능력이 필요합니다. 이 튜토리얼에서는 Pi 업데이트, 카메라 인터페이스 활성화, GitHub 리포지토리 다운로드, 가상 환경 생성, TensorFlow 및 OpenCV 설치, 필요한 모든 패키지 및 종속성을 설치하기 위한 셸 스크립트 실행을 다룹니다. 비디오에는 오류 처리 및 도움말 얻기에 대한 팁도 포함되어 있으며 GitHub 가이드에는 일반적인 오류 및 솔루션 목록이 포함되어 있습니다.
  
  
• 00:05:00 이 섹션에서는 발표자가 TensorFlow Lite용 감지 모델을 설정하는 방법을 설명합니다. 사용자는 Google에서 제공하는 샘플 모델을 다운로드하거나 자신의 커스텀 모델을 학습시킬 수 있습니다. Google의 샘플 모델은 MS cocoa 데이터 세트에서 훈련된 양자화된 SSD 모바일 네트워크 모델로, 정확도 저하를 최소화하면서 80개의 공통 객체를 감지할 수 있습니다. 샘플 모델을 다운로드하려면 링크를 마우스 오른쪽 버튼으로 클릭하면 됩니다.
  다운로드를 위해 "W git"을 사용하고 추출을 위해 "unzip"을 사용하여 터미널에서 실행하십시오. 또한 발표자는 탐지 모델을 훈련하고 TensorFlow Lite로 변환하려는 사용자를 위해 GitHub에서 서면 가이드를 제공합니다. 모델이 준비되면 사용자는 Python 3에서 코드를 실행하여 실시간 웹캠 감지 스크립트, 비디오 및 이미지 감지를 볼 수 있습니다. 발표자는 또한 다음 비디오에서 Google의 합창 USB 가속기를 사용하여 감지 속도를 크게 향상시키는 방법을 설명할 것이라고 언급했습니다.
  
  
• 00:10:00 이 섹션에서 비디오 제작자는 TensorFlow Lite의 향상된 속도가 스마트 카메라 또는 경보 시스템과 같은 실시간 감지 응용 프로그램에 유용하다고 언급합니다. 그들은 또한 자신의 프로젝트, 고양이가 밖으로 나가고 싶어하는지 알려주기 위해 물체 감지를 사용하는 애완 동물 감지기 비디오에 대해 언급하고 더 많은 TensorFlow 컴퓨터 비전 프로젝트를 게시할 것이라고 말합니다. 시청해 주신 시청자에게 감사를 표하며 Coral USB 가속기 설정에 대한 다음 동영상을 계속 지켜봐 주시기 바랍니다.

[MetaQuotes]

라즈베리 파이 객체 감지 튜토리얼

라즈베리 파이 객체 감지 튜토리얼

이 Raspberry Pi 객체 감지 자습서에서 발표자는 Tensorflow Lite를 Raspberry Pi에 설치하고 이를 실시간 분류 데모와 함께 이미지 분류에 사용하는 방법을 보여줍니다. 또한 선형 대수를 위한 기계 학습의 중요한 구성 요소인 lib atlas가 무엇인지, 그리고 Raspberry Pi에서 관련 오류를 수정하는 방법에 대해서도 설명합니다. 발표자는 Coral USB 가속기를 사용하여 프로젝트 속도를 높일 수 있지만 필수는 아니라고 말합니다. 전반적으로 발표자는 다양한 사용 사례 또는 모델에 맞는 스크립트의 유연성을 강조합니다.

• 00:00:00 비디오의 이 섹션에서 발표자는 Raspberry Pi에 Tensorflow Lite를 설치하고 이미지 분류에 사용하는 방법에 대한 자습서를 제공합니다. 발표자는 Tensorflow의 예제 라이브러리를 사용하고 필수는 아니지만 Coral USB 가속기를 사용하여 프로젝트 속도를 높일 수 있다고 언급합니다. 시작하려면 발표자는 Raspberry Pi를 업그레이드하고 가상 환경을 만듭니다. 발표자는 Tensorflow Lite 런타임을 설치하기 전에 환경을 활성화하고 필요한 패키지를 설치하는 방법을 시연합니다. 마지막으로 발표자는 버전을 확인하여 모든 것이 제대로 설치되었는지 확인합니다.
  
  
• 00:05:00 이 섹션에서 화자는 Raspberry Pi에서 개체 감지 예제를 실행하지만 lib atlas와 관련된 오류가 발생합니다. 그들은 lib atlas가 기계 학습의 중요한 구성 요소인 선형 대수학에 중요하다고 설명합니다. 그들은 sudo apt-get install lib atlas bass dash dev를 실행하여 문제를 해결한 방법을 보여줍니다. 그런 다음 연사는 Raspberry Pi를 사용하여 실시간 분류를 시연하고 다양한 사용 사례 또는 모델에 맞게 스크립트를 수정할 수 있음을 강조합니다.