参见MATLAB中的Raspberry Pi™上使用深度学习的图像分类演示®使用树莓派支持包。金宝appMATLAB为工程师和科学家提供了一个完整的集成工作流,可以在熟悉的开发环境中探索、原型和部署深度学习算法,并内置高级应用程序和库。
使用MATLAB Coder™,您可以为完整的推理管道生成c++代码,围绕训练有素的网络进行图像采集、预处理和后处理,并部署到任何ARM®基于Cortex-A的平台,如覆盆子PI或NXP™I.MX系列处理器。
嗨,我是Ram Cherukuri,在MathWorks的产品经理,欢迎来到另一个版本的Raspberry Pi版本,这次使用它来使用Screezenet进行图像分类。
在此视频中,我希望展示您可以使用MATLAB算法的速度和测试并在MATLAB中使用Live I / O验证,并在将其作为独立部署之前测试目标Raspberry仿真测试它应用程序,不需要在C或C ++中编写任何附加代码。
我决定选择图像分类作为机器学习和深度学习申请的一个例子:
您可以在Mathworks.com上引用Matlab的机器学习和深度学习的更多资源。
说到嵌入式处理器,我选择树莓派还有另外一个原因,而不是因为它有趣和容易上手。它基于Arm Cortex A,类似于其他大多数基于视觉的处理器。
MATLAB编码器使您能够生成代码,并将您的应用程序部署到任何基于Arm Cortex A的支持Neon指令的处理器。金宝app
因为生成的代码调用了Arm的计算库,它提供了针对Arm的CPU和GPU平台进行优化的低级函数,所以你可以获得最佳性能。
请参考下面的链接了解更多关于计算图书馆的信息。
在以前的视频中,我们涵盖了部署方面的示例,如行人检测和在此视频中,我们将专注于循环硬件测试和验证。
这是我们的MATLAB算法,它采用输入图像,有一些调整为预处理步骤,使用训练闸门进行推理,然后执行后处理以识别和显示前五个分类。
这是我的测试脚本,我将用来运行该示例。
让我们首先运行这段代码,看看该算法在MATLAB中对输入图像做了什么。你可以看到它给了我们输入图像的前五种分类。
现在,我想用一些实时数据测试和验证我的算法。在这里,我正在设置与覆盆子PI的连接,我可以使用附加到它的网络摄像头从相机上获取实时源,并在Matlab中运行推断 - 非常简单。
请提出一个注释,以下载免费的raspberry pi支持包以尝试一下。金宝app
此外,如果您有MATLAB编码器,您还可以在Raspberry PI上生成代码并将其部署。
我们如何使用处理器 - 循环验证生成的代码,因此我们可以使用MATLAB作为我们的测试台来将输入传递给目标上的应用程序,并将结果恢复到MATLAB中进行比较?
一旦代码Gen完成,我们就可以使用我可以用来在raspberry pi上运行应用程序的mex文件。使用相同的测试输入,我们正在运行覆盆子pi上的图像分类,我们得到了分类结果。通过比较输出等可以做得更好的验证,但您可以完成更详细的验证。
在整个示例中,我们不需要编写任何C或c++代码。然而,如果您喜欢使用任何定制库,如OpenCV,您总是可以手动集成生成的代码,并编写一个定制的主文件,以编译成更大的应用程序。
请参阅下面的链接以尝试此类示例,并下载必要的支持包。金宝app
你也可以从以下列表中选择一个网站:
选择中国网站(以中文或英文)以获得最佳网站性能。其他MathWorks国家网站未优化您所在地的访问。