取引のためのONNXの学習 - ページ 9

[MetaQuotes]

Raspberry Pi での ONNX ランタイム IoT の展開

Raspberry Pi での ONNX ランタイム IoT の展開

「Raspberry Pi での ONNX ランタイム IoT 展開」というタイトルのこのビデオでは、プレゼンターは、デバイス用に最適化された Mobilenet モデルを使用して、コンピューター ビジョン モデル用の ONNX ランタイムを Raspberry Pi に展開する方法を示します。このビデオでは、VNC ビューアーを使用して Raspberry Pi に接続し、構成し、OpenCV と Python を使用してカメラ テストを実行するプロセスについて説明します。プレゼンターは画像をキャプチャし、推論を実行して、予測された上位 5 つのクラスを出力します。これにより、画像内の万年筆が正しく識別されます。全体として、このビデオは、コンピューター ビジョン アプリケーション用に Raspberry Pi に ONNX ランタイムをデプロイするための役立つガイドを提供します。

[MetaQuotes]

Raspberry Pi に ONNX ランタイムをインストールする方法

Raspberry Pi に ONNX ランタイムをインストールする方法

このビデオでは、Raspberry Pi に ONNX ランタイムをインストールする方法の詳細なガイドを提供します。 Raspberry Pi に Raspbian Stretch をダウンロードしてインストールした後、ユーザーは Docker と QMU ユーザー静的パッケージをインストールし、ビルド ディレクトリを作成して、pip 経由でインストールできる ONNX ランタイム ホイール パッケージを取得するコマンドを実行する必要があります。このビデオでは、MNIST データセットでトレーニングされたディープ ニューラル ネットワークを使用して ONNX ランタイムをテストする方法と、単一の画像で推論セッションを実行するのにかかる時間を計算する方法についても説明しています。講演者は、このプロセスは長く複雑になる可能性がありますが、エッジ デバイスにニューラル ネットワークをデプロイしてテストする能力には価値があると述べています。

• 00:00:00 Raspberry Pi から OS がリリースされました。ここから Raspberry Pi OS (旧 Raspbian) Stretch をダウンロードできます。 Raspberry Pi に Docker をダウンロードしてインストールしたら、次のステップは、ONNX ランタイム Github リポジトリに移動し、ARM32v7 プラットフォーム用の Dockerfile を見つけることです。さまざまなプラットフォームで利用できるさまざまな Dockerfile がありますが、ARM32v7 は Raspberry Pi に必要なものです。正しい Dockerfile を見つけたら、提供されている指示に従って、Raspberry Pi に ONNX ランタイムをインストールできます。これは少し時間のかかる複雑なプロセスになる可能性がありますが、エッジ デバイスにニューラル ネットワークをデプロイしてテストする能力を考えると、それだけの価値があります。
  
  
• 00:05:00 このセクションでは、スピーカーは ONNX ランタイムを Raspberry Pi にインストールする方法を説明します。まず、Raspbian Stretch ファイルと Raspberry Pi イメージャーをダウンロードして、SD カードを起動可能にする必要があります。 Raspbian Stretch が Raspberry Pi にインストールされたら、ユーザーは Docker と QMU ユーザー静的パッケージをインストールする必要があります。ビルド ディレクトリを作成した後、ユーザーは更新された Dockerfile をビルド ディレクトリに保存し、コマンドを実行して ONNX ランタイム ホイール パッケージを取得する必要があります。 wheel ファイルを pip でインストールしてテストしたら、インポートして、ONNX を Python 3 バージョン 3.8 の Raspberry Pi で使用できます。
  
  
• 00:10:00 このセクションでは、スピーカーは Raspberry Pi で ONNX ランタイムを使用して、特定のデータ セットでトレーニングされたモデルをテストする方法を説明します。講演者は、MNIST データセットを使用して数字の分類を行うことができるディープ ニューラル ネットワークを既にトレーニングしており、コードとモデルへのリンクを提供しています。必要なライブラリをインポートした後、スピーカーは ONNX ランタイムを使用して推論セッションを実行するスクリプトを作成します。話者はセグメンテーション違反に遭遇し、調査した後、ONNX ランタイムが実行できる 3 つのレベルのグラフ最適化について学習し、それらを無効にして、スクリプトを正常に実行し、予測された出力を取得します。
  
  
• 00:15:00 このセクションでは、スピーカーは、Raspberry Pi が単一の画像で推論セッションを実行するのにかかる時間をどのように計算したかを説明します。彼らは、時間ライブラリを使用して、出力を生成し、ONNX ランタイム内でモデルを実行するのにかかる時間を計算する別のスクリプトを導入します。約 0.06 秒かかります。スピーカー ノートは、単純なモデルと小さな画像サイズに非常に適しています。彼らは、視聴者が Raspberry Pi に ONNX ランタイムをインストールし、質問や懸念事項があれば連絡することを奨励しています。

[MetaQuotes]

さまざまな MobileNet ONNX モデルを使用して Raspberry Pi で動作する画像分類

さまざまな MobileNet ONNX モデルを使用して Raspberry Pi で動作する画像分類

MobileNet V1 ONNX モデルの 3 パターンを使用して、ONNX ランタイムで Raspberry Pi 4 で画像分類を実行します。

1. 深度 1.00 & 224x224
2. 深度 0.50 & 160x160
3. 深さ 0.25 & 128x128

使用されるモデルに応じて、7ms で分類が行われます。

[MetaQuotes]

Raspberry Pi 4 で動作する ONNX ランタイム上の SSDLite Mobilenet V2

Raspberry Pi 4 で動作する ONNX ランタイム上の SSDLite Mobilenet V2

ハードウェア アクセラレーションなしで Raspberry Pi  4 で動作する ONNX ランタイム上の SSDLite Mobilenet V2。

[MetaQuotes]

Raspberry Pi 4 で動作する ONNX ランタイムの SSDLite Mobilenet V1 深さ 0.75

Raspberry Pi 4 で動作する ONNX ランタイムの SSDLite Mobilenet V1 深さ 0.75

ハードウェア アクセラレーションなしで Raspberry Pi 4 で動作する ONNX ランタイムの SSDLite Mobilenet V1 深さ 0.75。

[MetaQuotes]

Raspberry Pi 4 で動作する ONNX ランタイムの Tiny-YOLOv3

Raspberry Pi 4 で動作する ONNX ランタイムの Tiny-YOLOv3

ハードウェア アクセラレーションなしで Raspberry Pi 4 で動作する ONNX ランタイムの Tiny-YOLOv3。

[MetaQuotes]

最適化された ONNX ランタイムを使用した Raspberry Pi 4 の分類とオブジェクト検出

最適化された ONNX ランタイムを使用した Raspberry Pi 4 の分類とオブジェクト検出

ONNX ランタイムで Raspberry Pi 4 で画像分類を実行します。

1. MobileNet V3 を使用した分類。
2. SSDLite MobileNet V2 を使用した検出。

[MetaQuotes]

最適化された ONNX ランタイムを使用した Raspberry Pi 4 オブジェクト検出 (2020 年後半)

最適化された ONNX ランタイムを使用した Raspberry Pi 4 オブジェクト検出 (2020 年後半)

ハードウェア: ラズベリーパイ 4B
OS : ラズベリーパイ OS (32bit)
ソフトウェア: カスタム実行プロバイダーを使用した ONNX ランタイム 1.4.0 (CPU アクセラレーション)
モデル:

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

[MetaQuotes]

Raspberry Pi 4 で動作する ONNX ランタイムの Tiny-YOLOv3

Raspberry Pi 4 で動作する ONNX ランタイムの Tiny-YOLOv3

ハードウェア アクセラレーションなしで Raspberry Pi 4 で動作する ONNX ランタイムの Tiny-YOLOv3。

[MetaQuotes]

Raspberry Pi 4 で自動運転物体検出！

Raspberry Pi 4 で自動運転物体検出！

このチュートリアルでは、インストラクターは、自動運転でトレーニングされたニューラル ネットワークを使用してオブジェクトを検出するように Raspberry Pi 4 を構成するために必要な手順を示します。これには、リポジトリのクローン作成、仮想環境のセットアップ、GPIO、OpenCV、TensorFlow などの依存関係のインストール、および Raspberry Pi カメラ モジュールの構成が含まれます。次に、インストラクターは、LED とプッシュ ボタンを Pi に接続し、Python スクリプトを実行して、オブジェクト検出で画像をキャプチャする方法を示します。最後に、ユーザーはバッチ rc ファイルを調整して、起動時にスクリプトを実行し、出力パスに保存された画像でフッテージを記録できます。

• 00:00:00 このセクションでは、ビデオ インストラクターが、Raspberry Pi 4 で自動運転トレーニング済みニューラル ネットワークを使用してオブジェクト検出を実行するためのソフトウェア構成手順について説明します。インストラクターは、Raspberry Pi が最新であることを確認し、リポジトリのクローンを作成することから始めます。ビデオの説明で提供され、仮想環境をインストールして、このプロジェクトの依存関係をシステム上の他のプロジェクトから分離します。次にインストラクターは、bash スクリプトを実行して、プロジェクトに必要なすべてのものである gpio Python パッケージ、OpenCV、TensorFlow などの依存関係をインストールする前に、仮想環境をアクティブにします。最後に、インストラクターは、ターミナルに構成設定を入力して Raspberry Pi 4 に接続することにより、Raspberry Pi カメラ モジュールを構成する方法を示します。
  
  
• 00:05:00 このセクションでは、プレゼンターが自動運転物体検出のために Raspberry Pi のカメラ モジュール、LED、およびプッシュ ボタンをセットアップする方法を示します。カメラ モジュールは、Pi に差し込むだけで所定の位置に固定されます。プログラムの実行中に視覚的なフィードバックを提供するために、LED が 470 オームの抵抗で Pi に接続されています。同様に、ブレッドボードにプッシュボタンを追加して、画像の処理を開始および停止できるようにします。次に、プレゼンターは、モニター ニューラル ネットワークと出力パスの引数を指定して Python スクリプトを実行することにより、セットアップのソフトウェア側を表示します。これにより、処理された画像が指定された場所に保存されます。
  
  
• 00:10:00 このセクションでは、出力パスと、オブジェクト検出を使用して Raspberry Pi によってキャプチャされた画像が保存される場所を確認します。ユーザーは、キーボードやマウスを必要とせずにブート時に Python スクリプトが実行されるように、バッチ rc ファイルを調整します。最後のステップは、Raspberry Pi を車に置き、AC コンセントに差し込んで、指定された出力パスに保存された処理済みの画像で映像の記録を開始することです。ユーザーは、キャプチャした画像を gif またはビデオに変換できることを提案します。