《基于海思35xx nnie引擎进行经典目标检测算法模型推理》视频课程介绍

前言

沉寂两个月，终于将新的视频课程<<基于海思35xx nnie引擎进行经典目标检测算法模型推理>>（其链接为https://edu.csdn.net/course/detail/26420?pre_view=1）发布出来。它可以看成是上一门视频课程<<基于海思35xx上nnie加速引擎进行yolov3算法模型推理>>的姐妹篇。即在SDK和yolov3模型详细讲解的基础上，我们进行了扩充和延申。

内容介绍

本视频课程精心挑选6个经典且热门的目标检测算法模型在海思nnie平台上的移植。它们分别为：

Faster RCNN, RFCN, SSD，Mobilenet SSD, YOLOV2, YOLO3Tiny。

我们会从以下六个方面来分别详细讲解每个算法模型：

1）算法模型原理介绍和点拨

2）基于自己数据集的模型训练及其验证（针对Faster RCNN, RFCN, SSD，Mobilenet SSD）

3）darknet模型转换成caffe model（针对Yolo2和Yolo3Tiny）

4）模型量化

5）模型仿真

6）如何在开发板上推理这些模型

重点、难点提示

在讲解每一个算法模型的移植过程，明显感觉到这里面或多或少都有一些坑或难点，而且每个算法模型情况都不尽相同。

就Faster RCNN和R-FCN而言，它们的难点在于模型训练和模型量化，这里面可能会存在由于模型太大而导致量化失败的问题或量化时roi co-ordinate file生成的疑惑等。至于后面的仿真以及开发板运行代码，虽然非常复杂，但是里面其实所需要修改的参数比较少，反倒不是难点了。 

就SSD和Moiblenet-SSD而言，模型框架搭建、准备以及基于自己数据集的训练也是难点，此外，量化过程中的配置也有值得关注的地方。个人认为，最麻烦的还是 仿真及其开发板上运行代码里面的软件参数修改，必须完全理解它们，才能灵活运用。

关于Yolov2和Yolo3Tiny算法模型，它们的难点变成了 模型转换。 尤其是Yolov2而言，网上一般提的是Yolo2Tiny的模型转换成caffe model，这里面就会避开了reorg层的处理。本课程讲的是yolo2官方版模型，也提供了转换脚本来来将Yolo2 darknet模型转换成caffe模型。

再补充一点，就Yolo3Tiny模型而言，它的特殊性在于SDK的仿真代码和开发板sample代码并没有提供Yolo3Tiny模型的支持，需要自己修改Yolo3代码来实现Yolo3Tiny模型的推理。

所有这些重点和难点都会在视频课程中详细讲述，并提供相应且真正运行过的开发板sample代码以及各个难点所对应的转换、配置脚本等。  此外，欢迎参看本课程第一节课程介绍来获得该课程的更多信息。

最后，欢迎大家加入 海思AI交流（202924426）， 一起探讨，共同进步。