完善资料让更多小伙伴认识你,还能领取20积分哦, 立即完善>
1.1、图像测试,Tengine开源版
运行Tengine Explore版本,首先需要跑通开源版本的Tengine,指导教程可以参考hey-yahei的博客。在这里,我们用RK3399来跑Mobilenet_SSD,得到的结果如下: 这里,我们对同一幅图像重复检测100次,取平均时间,可以发现平均一帧耗时176.945ms,速度还是很快的! 1.2、图像测试,Tengine Explorer版(float32) 接下来,我们用Tengine Explore 版来做同样的事情,得到结果如下: 可以看到输出多了一行Authentication failed can’t get ID,这是因为这个版本目前尚未在线激活,但并不影响其运行。当然在线激活之后可以用int8的方式来计算,速度会更快。这次,我们还是使用相同的模型,对同一幅图像检测100次,可以看到,平均时间降低到了142.566ms,速度提升相当可观。 1.3、图像测试,Tengine Explorer版(int8) 接下来,我们将Tengine Explore版进行在线激活,解锁int8量化计算的方法。进一步提升运算速度。运行程序得到结果: 可以看到精度基本没有损失,但是时间降低到了139.237ms,非常快! 2.1、视频测试,Tengine开源版 接下来,我们基于实际需求来做一些应用。客流检测可以用在商场、公交等行业,实现自动计数,这里第一步就是检测人头。我们的模型在Mobilenet_SSD的基础上进行了压缩、裁剪等工作,在不影响最终效果的前提下减小模型的复杂度。我们用双线程同时处理两个本地视频。结果如下: 可以看到视频虽然不是很清晰,光照条件也不是很好,但是模型准确地检测出了视频中的人头,当然,目标的跟踪和计数是检测之后另外实现的。本段视频中,程序检测到上车人数为13人,下车人数为9人,平均一帧耗时大约48ms。 2.2、视频测试,Tengine Explorer版(float32) 然后我们用Tengine Explorer版来做同样的事情,结果如下: 可以看到,视频检测的结果跟开源版是一样的,但是平均时间降低到了44ms。 2.3、视频测试,Tengine Explorer版(int8) 最后,我们用Tengine Explore版的int8量化计算的方法,进一步提升运算速度。运行程序得到结果: 可以看到,int8得到的目标检测结果和float32的得到的结果差别并不是很大,最终计数的结果为上车人数13人,下车人数8人,两者也都差不多,相信调整参数之后应该就没有问题了,但是int8方式的一帧平均时间降低到了大约34ms,提升相当明显,已经接近实时应用了!当然,这只是一个demo,距离实际应用还有一些距离,需要继续努力。 |
|
|
|
你正在撰写答案
如果你是对答案或其他答案精选点评或询问,请使用“评论”功能。
基于米尔瑞芯微RK3576核心板/开发板的人脸疲劳检测应用方案
533 浏览 0 评论
803 浏览 1 评论
700 浏览 1 评论
1926 浏览 1 评论
3171 浏览 1 评论
小黑屋| 手机版| Archiver| 电子发烧友 ( 湘ICP备2023018690号 )
GMT+8, 2024-12-22 13:23 , Processed in 0.642538 second(s), Total 41, Slave 34 queries .
Powered by 电子发烧友网
© 2015 bbs.elecfans.com
关注我们的微信
下载发烧友APP
电子发烧友观察
版权所有 © 湖南华秋数字科技有限公司
电子发烧友 (电路图) 湘公网安备 43011202000918 号 电信与信息服务业务经营许可证:合字B2-20210191 工商网监 湘ICP备2023018690号