ARM CPU图像分类:树莓派上的SqueezeNet
在MATLAB的树莓派™上使用深度学习进行图像分类的演示®使用树莓派支持包。MATLAB为工程师和科学家提供了一个完整的集成工作流,在一个熟悉的开发环境中,通过内置的高级应用程序和库来探索、创建和部署深度学习算法。
使用MATLAB Coder™,您可以为完整的推理管道生成c++代码,包括图像采集、预处理和后处理,围绕一个经过训练的网络,并部署到任何ARM®cortex -基于平台,如树莓派或NXP™i.MX系列处理器。
大家好,我是MathWorks的产品经理Ram Cherukuri,欢迎来到树莓派上的另一个版本的深度学习,这次使用它来使用squeezenet进行图像分类。
在本视频中,我希望向您展示如何轻松地使用MATLAB中的实时I/O对MATLAB算法进行测试和验证,在将其部署为独立应用程序之前,在目标树莓派上使用处理器在环模拟进行测试,而不需要编写任何额外的C或c++代码。
我决定选择图像分类作为机器学习和深度学习应用的一个例子,有几个原因:
- 在从视频监控到自动驾驶等许多应用中,这是最基本的视频和图像处理任务之一。
- 它与嵌入式部署非常相关,这意味着它应该在目标处理器上实时工作。
你可以在mathworks.com上查阅更多关于MATLAB中机器学习和深度学习的资源。
说到嵌入式处理器,我选择树莓派还有一个原因,除了它的乐趣和易用性。它基于一个Arm Cortex A,类似于大多数其他基于视觉的处理器。
MATLAB Coder使您能够生成代码并将您的应用程序部署到任何支持Neon指令的基于Arm Cortex A的处理器上。
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平台优化的底层函数,所以可以获得最佳的性能。
请浏览以下连结,以了解更多有关计算图书馆的资料。
在之前的视频中,我们通过行人检测等示例介绍了部署方面的内容,而在本视频中,我们将重点介绍硬件在环测试和验证。
这是我们的MATLAB算法,它接受一个输入图像,做一些大小调整作为预处理步骤,使用训练过的挤压网进行推理,然后执行后处理来识别和显示前五个分类。
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,看看算法在MATLAB中对输入图像做了什么。你可以看到它给出了输入图像中事物的前五种分类。
现在,我想用一些实时数据来测试和验证我的算法。在这里,我设置了一个连接到树莓派,我可以使用连接到它的网络摄像头从摄像头获得实时feed,并在MATLAB中运行推理-非常直接。
请注意下载免费的树莓派支持包来尝试这个功能。
另外,如果你有MATLAB Coder,你也可以生成代码并部署到树莓派上。
我们用环内处理器验证生成的代码如何,这样我们就可以使用MATLAB作为我们的测试台,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,我们得到这个MEX文件,我可以使用它在树莓派上运行应用程序。使用相同的测试输入,我们在树莓派上运行图像分类,并得到分类结果。您可以通过比较输出等方式进行更详细的验证,但您已经了解了要点。
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自定义库,如OpenCV,您总是可以手动集成生成的代码,并编写自定义主文件编译成更大的应用程序。
请参考下面的链接来亲自尝试这个示例,并下载必要的支持包。
了解更多
您也可以从以下列表中选择网站:
如何获得最佳的网站性能
选择中国网站(中文或英文)以获得最佳的网站表现。其他MathWorks国家网站没有针对从您的位置访问进行优化。