Ram Cherukuri MathWorks
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。
请参考下面了解更多关于计算库的链接。
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。
让我们首先运行这段代码,看看算法所作内MATLAB对输入图像内容。你可以看到,它给我们的五大分类在我们的输入图像的东西。
现在,我想测试和验证我的算法与一些实时数据。在这里,我设置了一个树莓派的连接,我可以用它相连的网络摄像头,以摆脱它在MATLAB相机和运行推断活饲料 - 非常简单。
请记下载免费的树莓派支持包尝试了这一点。金宝app
此外,如果你有MATLAB编码器,还可以生成代码,并在树莓派部署。
怎么样,我们验证与处理器在循环生成的代码,所以我们可以使用MATLAB作为我们的测试平台的输入传递给应用程序的目标,并得到结果返回到MATLAB进行比较?
一旦代码生成完成后,我们得到这个MEX文件,我可以使用运行在树莓派的应用。使用相同的测试输入,我们正在运行的树莓派图像分类,我们得到的分类结果。您可以通过比较输出等做更详细的验证,但你明白了吧。
纵观例子中,我们并没有写任何C或C ++代码。然而,如果你喜欢使用的任何自定义库,如OpenCV的,你可以随时手动将生成的代码,写一个自定义的主文件编译成一个更大的应用程序。
请参考以下链接尝试这个例子中为自己和下载必要的支持包。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(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。