Ram Cherukuri MathWorks
使用Matlab的Raspberry PI™对覆盆子PI™的深入学习来说明图像分类的演示®使用raspberry pi支持包。金宝appMATLAB为工程师和科学家提供完整的集成工作流程,用于探索,原型和部署熟悉的开发环境中的深入学习算法,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,其中包含图像采集,预处理和围绕训练的网络进行后处理,并部署到任何ARM®基于Cortex-A的平台,如Raspberry Pi或NXP™i.MX系列处理器。
大家好,我是Ram Cherukuri, MathWorks的产品经理,欢迎来到树莓派深度学习的另一个版本,这次使用它来使用squeezenet进行图像分类。
在这个视频中,我希望你可以轻易地把MATLAB算法和使用动态I / O测试和验证它在MATLAB中,测试它在目标树莓π在部署之前使用processor-in-loop模拟作为一个独立的应用程序,而不需要编写额外的代码用C或c++。
我之所以选择图像分类作为机器学习和深度学习应用的例子,有几个原因:
你可以在mathworks.com上查阅更多关于MATLAB中的机器学习和深度学习的资源。
说到嵌入式处理器,我选择了覆盆子pi以外的另一个原因,而不是它很有趣和可访问。它基于ARM皮层A,类似于那里的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
您获得最佳性能,因为生成的代码调用了ARM的计算库,它为ARM的CPU和GPU平台提供了优化的低级功能。
请参阅下面的链接以了解有关Compute库的更多信息。
在之前的视频中,我们用行人检测等示例介绍了部署方面的内容,而在本视频中,我们将重点介绍半实物测试和验证。
下面是我们的MATLAB算法,它接收输入图像,做一些调整作为预处理步骤,使用训练过的squeezenet进行推理,然后执行后处理以识别和显示前五种分类。
下面是我的测试脚本,我将使用它来运行这个示例。
让我们首先运行这个代码部分以查看MATLAB中的算法在输入图像上的算法。您可以看到它为我们提供了输入图像中的东西的五大分类。
现在,我想用一些实时数据来测试和验证我的算法。这里我设置了一个连接到树莓派的连接,我可以使用连接到它的网络摄像头从摄像头获取实时信息,并在MATLAB中运行推断——非常简单。
请注意下载免费的树莓派支持包来尝试。金宝app
此外,如果你有MATLAB Coder,你也可以生成代码并部署在树莓派上。
我们如何使用处理器在循环验证生成的代码,这样我们就可以使用MATLAB作为测试平台,将输入传递给目标上的应用程序,并将结果返回到MATLAB中进行比较?
一旦代码生成完成,我们就得到了这个MEX文件,我可以使用它在Raspberry Pi上运行应用程序。使用相同的测试输入,我们在树莓派上运行图像分类,得到分类结果。您可以通过比较输出等进行更详细的验证,但您已经明白了要点。
在整个示例中,我们不必编写任何C或C ++代码。但是,如果要使用OpenCV等任何自定义库,则可以始终手动集成生成的代码并编写自定义主文件以编译为更大的应用程序。
请参考下面的链接来尝试这个示例并下载必要的支持包。金宝app
您还可以从以下列表中选择一个网站:
选择中国网站(中文或英文)以获得最佳网站性能。其他MathWorks国家站点没有针对您所在位置的访问进行优化。