1、ART-PI嵌入式人形检测设计实现
硬件平台 ART-Pi, 50M FLOPS。
我的模型（删减后的模型）最终部署在板子上是推理时间是56ms，不包括数据处理时间。
$ pip install -r requirements.txt
$ python inference_yolo-s.py
原因：目前了解的全网最轻量级的目标检测网络，没有之一
当然，Yolo Fastest 最小的模型也有 0.23 Bflops，想要在 ART-Pi 上顺利的跑起来，肉眼可见的丝滑程度，我是在做梦。。。
这时候有两个办法：
换一块板子，换一块算力更大的板子。
将模型改的小一点，能够在 ART-PI 上丝滑的跑起来。
这里我选择的是后者。
我改动的很简单，去掉特征金字塔输出，只保留一个输出，保证对大物体检测友好即可。同时删减网络结构。原来是109层，我是20+层网络结构。
纠正一个思想误区，由于一些很神奇的存在，网络并不是越深，FLOPS 就会越大，比如 DSCNN。
第二个参考项目的意义是在于：将模型转变为 tflite 可食用模型
原作者：lebhoryi
更多回帖
