LITE

TensorFlow Lite相关实现: On-Device Neural Net Inference with Mobile GPUs

http://arxiv-ai.com/discuss?id=1907.01989由于其较低的延迟和增加的隐私，因此期望用于移动电话的机器学习模型的设备上推断。然而，由于有限的计算能力，热约束和能量消耗，仅在移动CPU上运行这样的计算密集型任务可能是困难的。应用程序开发人员和研究人员已开始利用硬件加速器来克服这些挑战。最近，设备制造商正在使用神经处理单元进入高端手机进行设备推断，但这只占手持设备的
xiexiecn·2022-11-28 05:52

Zynq Fpga图像处理之AXI接口应用——axi_lite接口使用

摘要本文介绍了zynq系统中常用的AXILite协议接口的具体使用方法。简述了AXI协议的特点及结构，说明了其实现的基本机制与时序。此外，结合xilinx官方的AXILite设计模板，给出了灵活自定义修改的一般方法。最后通过简要的的读写模块对此自定义AXILite模块进行了PS端对PL端的读写测试。测试结果表明，此自定义模块高效实用，读写准确，本文提供的方法可灵活应用到各类zynq设计架构中去。1
老王学FPGA·2022-11-27 23:52

xlinx项目系列之基于zynq-7020ISP图像处理

(将ov5640的isp关闭，在7020上实现ISP功能)，输出到LCD和HDMI，软件基于SDK裸机开发，2592x1944@15fpISPLiteIP位置:xil_ip_repo/xil_isp_lite
Jassica bea·2022-11-26 20:27

python 气候_用Python下载美国国家气候数据中心（NCDC）的气候数据

短格式：ftp://ftp.ncdc.noaa.gov/pub/data/noaa/isd-lite/这两个地址是在网上查到的，从官网怎样找到，我没有发现。
weixin_39612297·2022-11-26 20:00

NCDC气象数据的提取与处理（二）：python批量转换isd-lite数据为xlsx

.实际效果书接上回，在NCDC气象数据的提取与处理（一）中，我们得到了研究区内，且观测时间满足一定要求的站点列表，形式如下：接下来，我们要根据这个站点列表，从全国的站点数据中筛选指定站点，并将isd-lite
bug嘛我经常写·2022-11-26 20:58

NCDC气象数据的提取与处理（三）：python批量将站点数据重采样为日数据

目录1.完整代码（部分参考：http://t.csdn.cn/Z4kWA）2.工作过程2.1输入2.2过程3.实际效果书接上回，在NCDC气象数据的提取与处理（二）中，我们成功将所需站点的isd-lite
bug嘛我经常写·2022-11-26 19:46

paddle 42 将任意paddleclas模型作为paddledetection中的backbone使用

在图像分类中的很多模型都可以作为backbone参与目标检测模型中，然而在paddledetection中支持的backbone仅有：blazenet、cspresnet、esnet、hrnet、lite_hrnet
万里鹏程转瞬至·2022-11-26 17:05

使用 TensorFlow Lite 在 Android 上进行印地语字符识别

介绍如果你曾经想构建一个用于文本识别的图像分类器，我假设你可能已经从TensorFlow的官方示例中实现了经典的手写数字识别应用程序。该程序通常被称为计算机视觉的“HelloWorld”，它是ML初学者构建分类器应用程序的一个很好的起点。构建一个识别任何字符的自定义分类器不是很好吗？在这篇文章中，我们将构建一个印地语字符识别应用程序，但你可以随意选择你自己选择的数据集。我们将构建一个能够识别印地语
woshicver·2022-11-26 00:44

OpenHarmony源码(十):编译子系统

├──config#编译工具链参数配置├──core#gn和ninja源码编译第一个BUILD.gn├──docs#说明文档├──lite#hb编译工
myxuan475·2022-11-25 19:53

《Anytime Dynamic A*: An Anytime, Replanning Algorithm》论文 个人读后小结

这篇论文主要介绍了三种算法，分别是1.DynamicReplanningAlgorithms：就我们常说的动态规划算法，论文中主要以D*Lite为例进行了简单的介绍。
桐小哥·2022-11-25 18:40

路径规划算法2.1 A*算法变种 ARA*、LPA*、 D*、D* Lite

路径规划算法2.1A*算法1.概述2.简要介绍AA*，ARA*，WeightedA*D*LPA*、D*Lite最后1.概述Dijkstra和A*是基于图搜索的标准路径算法。
RuiH.AI·2022-11-25 18:39

直接java调用tflite_Tensorflow Lite介绍

简介TensorflowLite是针对移动设备和嵌入式设备的轻量化解决方案，占用空间小，低延迟。TensorflowLite在android8.1以上的设备上可以通过ANNA启用硬件加速。支持浮点运算和量化模型，并已针对移动平台进行优化，可以用来创建和运行自定义模型。开发者也可以在模型中添加自定义操作。FlatBuffer格式具有在移动设备运行更快的内核解释器支持通过Tensorflow训练好的模
weixin_39802814·2022-11-25 08:16

PaddlePaddle、Paddle Lite、Paddle Inference、FleetX

一、飞桨开源框架(PaddlePaddle)是一个易用、高效、灵活、可扩展的深度学习框架（本地训练学习推理）飞桨(PaddlePaddle)是集深度学习核心框架、工具组件和服务平台为一体的技术先进、功能完备的开源深度学习平台，已被中国企业广泛使用，深度契合企业应用需求，拥有活跃的开发者社区生态。提供丰富的官方支持模型集合，并推出全类型的高性能部署和集成方案供开发者使用。二、PaddleLite（跨
花开花落的个人博客·2022-11-24 22:36

FPGA — AXI接口协议介绍

AXI接口协议介绍参考资料一、AXI接口简介1.1什么是AXI1.2AXI接口的三种类型1.2.1AXI4(AXI4-FULL)1.2.2AXI4-Lite1.2.3AXI4-Stream(ST)1.3AXI
unique_ZRF·2022-11-24 14:29

yolov3/yolov4/yolov5/yolov6/yolov7/lite/fastdet/efficientdet各系列模型开发、项目交付、组合改造创新之—无人机航拍小目标检测系统设计开发

目前单阶段目标检测模型依旧是主流技术，yolo系列一直是但阶段目标检测领域的翘楚，迭代更新至今，已经从yolov3、yolov4、yolov5更新到了如今的yolov6和yolov7，相信随着新技术的不断涌现，一定还有更快更准更强的检测模型面世，yolo全系列的模型都有很高的学习研究和应用实践价值，对于每一个想要入门目标检测领域的人来讲都是必不可少的一堂课。当然了出来yolo以外还有很多其他的检测
2201_75285525·2022-11-24 12:09

手写数字识别从训练到部署全流程详解——模型在Android端的部署

目前深度学习模型在移动端的使用已越来越广泛，而移动端设备的性能表现自然无法与PC端相提并论，目前市面上基本所有的训练框架训练出来的模型都无法直接在移动端上使用和推理，尽管部分框架同时做了移动端部署功能（如Tensorflow-lite
彧侠·2022-11-24 11:48

论文阅读|Lite Pose

LitePose:EfficientArchitectureDesignfor2DHumanPoseEstimation目录AbstractIntroductionRelatedWork2DHumanPoseEstimationModelAccelerationNeuralArchitectureSearchRethinkingtheEfficientDesignSpace3.1.Scale-Aw
xiaoweiyuya·2022-11-24 09:18

Lite Pose: Efficient Architecture Design for 2D Human Pose Estimation 阅读笔记

Lite-Pose：2D人体姿态估计的高效架构设计论文链接代码链接摘要：姿态估计在以人为中心的视觉应用中发挥关键作用。
AnZhiJiaShu·2022-11-24 09:46

OAK智能深度相机的测距精度是多少？

OAK-D和OAK-D-Lite属于厘米级别，精度Pro>OAK-D=OAK-D-S2>Lit
OAK中国_官方·2022-11-24 04:40

FPGA开发(4)——AXI_LITE总线协议

数据可以在主机和从机中双向传输，AXI4支持最大256突发读写，AXI-lite只不支持突发
树叶~·2022-11-24 00:05

Pytorch神经网络处理.mat格式Mnist数据

/mnist_lite.mat'#定义路径matr=io.loadmat(path)#关键步骤采用io的loadmat包将数据读入缓存train_x
「乾」·2022-11-23 19:58

（９）训练时报错KeyError: ‘conv1.1.0.weight‘

将B_mobilenet_yolov4_lite的PANet改为原来的3x3卷积，命名为L_mobilenet-yolov4_VOC，即将B_yolov4的主干网络换为mobilenet，训练时报错：Traceback
weixin_40227656·2022-11-23 14:00

查看yolov5/lite各层参数量和各层FLOPs

我会简述如何得到v5模型中各层的参数量和计算量（烂大街的参量表），然后再将如何得到各层的计算量FLOPs（基本没人教怎么获得各层FLOPs，花我一番功夫，其实特别简单，轮子U神都造好了）文章目录前言一、参数量param和计算量FLOPs二、YOLOV5中打印各项参数1.烂大街的参数打印2.各层的计算量FLOPs3.柳暗花明又一村总结前言在侧端部署深度学习模型时，我们一直都说说这些模型很小，属于轻量
xrh_·2022-11-23 12:32

yolov3/yolov4/yolov5/yolov6/yolov7/lite/fastdet/efficientdet各系列模型开发、项目交付、组合改造创新之—海洋海底垃圾检测系统设计开发

目前单阶段目标检测模型依旧是主流技术，yolo系列一直是但阶段目标检测领域的翘楚，迭代更新至今，已经从yolov3、yolov4、yolov5更新到了如今的yolov6和yolov7，相信随着新技术的不断涌现，一定还有更快更准更强的检测模型面世，yolo全系列的模型都有很高的学习研究和应用实践价值，对于每一个想要入门目标检测领域的人来讲都是必不可少的一堂课。当然了出来yolo以外还有很多其他的检测
2201_75285525·2022-11-23 12:01

yolov3/yolov4/yolov5/yolov6/yolov7/lite/fastdet/efficientdet各系列模型开发、项目交付、组合改造创新之—水稻疾病检测系统设计开发

目前单阶段目标检测模型依旧是主流技术，yolo系列一直是但阶段目标检测领域的翘楚，迭代更新至今，已经从yolov3、yolov4、yolov5更新到了如今的yolov6和yolov7，相信随着新技术的不断涌现，一定还有更快更准更强的检测模型面世，yolo全系列的模型都有很高的学习研究和应用实践价值，对于每一个想要入门目标检测领域的人来讲都是必不可少的一堂课。当然了出来yolo以外还有很多其他的检测
2201_75285525·2022-11-23 12:01

yolov3/yolov4/yolov5/yolov6/yolov7/lite/fastdet/efficientdet各系列模型开发、项目交付、组合改造创新之—水下海底生物检测系统设计开发

目前单阶段目标检测模型依旧是主流技术，yolo系列一直是但阶段目标检测领域的翘楚，迭代更新至今，已经从yolov3、yolov4、yolov5更新到了如今的yolov6和yolov7，相信随着新技术的不断涌现，一定还有更快更准更强的检测模型面世，yolo全系列的模型都有很高的学习研究和应用实践价值，对于每一个想要入门目标检测领域的人来讲都是必不可少的一堂课。当然了出来yolo以外还有很多其他的检测
2201_75285525·2022-11-23 12:01

yolov3/yolov4/yolov5/yolov6/yolov7/lite/mask/faster/fastdet/efficientdet各系列模型开发、项目交付、组合改造创新之—水稻检测

目前单阶段目标检测模型依旧是主流技术，yolo系列一直是但阶段目标检测领域的翘楚，迭代更新至今，已经从yolov3、yolov4、yolov5更新到了如今的yolov6和yolov7，相信随着新技术的不断涌现，一定还有更快更准更强的检测模型面世，yolo全系列的模型都有很高的学习研究和应用实践价值，对于每一个想要入门目标检测领域的人来讲都是必不可少的一堂课。当然了出来yolo以外还有很多其他的检测
2201_75285525·2022-11-23 12:30

yolov3/yolov4/yolov5/yolov6/yolov7/lite/fastdet/efficientdet各系列模型开发、项目交付、组合改造创新之—桥梁基建隧道裂痕裂缝检测实战

目前单阶段目标检测模型依旧是主流技术，yolo系列一直是但阶段目标检测领域的翘楚，迭代更新至今，已经从yolov3、yolov4、yolov5更新到了如今的yolov6和yolov7，相信随着新技术的不断涌现，一定还有更快更准更强的检测模型面世，yolo全系列的模型都有很高的学习研究和应用实践价值，对于每一个想要入门目标检测领域的人来讲都是必不可少的一堂课。当然了出来yolo以外还有很多其他的检测
2201_75285525·2022-11-23 12:30

论文阅读|Lite-HRNet

Lite-HRNet:ALightweightHigh-ResolutionNetworkAbstract我们提出了一个高效的高分辨率网络Lite-HRNet，用于人体姿态估计。
xiaoweiyuya·2022-11-22 22:12

（五十四）论文阅读 | 人体姿态估计之 Lite-HRNet

简介文中摘要第一段提到Lite-HRNet用于人体姿态估计，而其baselineHRNet稍加改动即可用于目标检测、语义分割等，所以Lite-HRNet也可以轻易扩展至类似的视觉任务。
zhangts20·2022-11-22 22:26

易百纳rv1126 a201开发板跑rknn yolov5

buildroot没有apt,于是花了大量时间想办法在a201的板子上跑debian,等我debian跑上,python安排上,rknn-lite按照firefly的方法装好https://dev.t-firefly.com
Montauk LUO·2022-11-22 12:00

CornerNet-Lite论文笔记与代码复现

CornerNet-Lite论文笔记与代码复现（一）Title（二）背景知识：Conernet1、Idea当今的目标检测算法大多都是基于深度学习模型的，大致可以分为两大门派，一个叫做One-Stage系列
今天也学习了嗷·2022-11-21 19:44

MindSpore21天实战营手记（一）：基于MindSpore Lite开发端侧AI图像分类应用

完于2020年10月26日刚刚听完华为MindSpore实战营第一课“基于MindSporeLite开发端侧AI图像分类应用”，学会了编译方法就迫不及待按照课程指南生成应用，安装到手机上对着街上物件一顿乱扫，感觉特别有趣。话说能得到即时反馈的学习才是好的学习，短短两天把一个小白变成一个能编译项目的小白，我为华为的老师们手动点赞。以前总感觉模型训练好，在云上开个访问API了，最多听说过某些行业出于保
xi_xiyu·2022-11-21 12:01

华为智慧终端背后的黑科技----超轻量AI引擎MindSpore Lite

华为终端设备搭载了众多黑科技，今天我们就来揭秘一下端上的AI引擎：MindSporeLite。MindSporeLite是MindSpore全场景AI框架的端侧引擎，目前MindSporeLite作为华为HMSCore机器学习服务的推理引擎底座，已为全球1000+应用提供推理引擎服务，日均调用量超过3亿，同时在各类手机、穿戴感知、智慧屏等设备的AI特性上得到了广泛应用。MindSporeLite1
昇思MindSpore·2022-11-21 12:07

干货分享 | MindSpore21天实战营手记（一）：基于MindSpore Lite开发端侧AI图像分类应用

刚刚听完华为MindSpore实战营第一课“基于MindSporeLite开发端侧AI图像分类应用”，学会了编译方法就迫不及待按照课程指南生成应用，安装到手机上对着街上物件一顿乱扫，感觉特别有趣。话说能得到即时反馈的学习才是好的学习，短短两天把一个小白变成一个能编译项目的小白，我为华为的老师们手动点赞。以前总感觉模型训练好，在云上开个访问API了，最多听说过某些行业出于保护隐私的目的，采用公有云训
昇思MindSpore·2022-11-21 12:07

基于电力行业的智能读表系统--基于RK3399嵌入式设备部署

：总体方案目标检测目标检测方案目标检测模型训练目标检测结果语义分割语义分割方案语义分割模型训练与结果语义分割训练中解决的问题问题解决效果读数后处理四、边缘部署总体方案总体工作内容模型优化Paddle-Lite
荪荪·2022-11-21 02:33

PicoDet网络结构在YOLOv5-Lite上的复现

点击上方“计算机视觉工坊”，选择“星标”干货第一时间送达作者丨陈TEL来源丨GiantPandaCV这篇博客仅对PicoDet的网络结构进行复现。PicoDet在一定程度上刷新了业界轻量级移动端模型的sota，这也是我比较感兴趣的地方。本文将PicoDet模型网络结构迁移到yolov5的平台，因为是anchorbase的形式，在性能上与原生模型可能有一定的差异，以下是原生模型的性能指标。一、Pic
Tom Hardy·2022-11-20 09:29

【YOLOv5】

学习摘抄来自Yolov5技术总结YOLOv5-Lite详解教程|嚼碎所有原理、训练自己数据集、TensorRT部署落地应有尽有YOLOV5代码解析(更新中)——https://github.com/Laughing-q
bryant_meng·2022-11-20 07:33

使用TensorFlow Lite 部署自定义对象检测模型

使用TensorFlowLite部署自定义对象检测模型[1]2022.03.05文章目录使用TensorFlowLite部署自定义对象检测模型[1]一.訓練自定義模型[4]1.收集數據2.訓練模型二.集成TFLite模型的步驟一.訓練自定義模型[4]步驟:1.收集數據打標籤—標註精靈2.訓練模型二.集成TFLite模型的步驟三.代碼實現:(教程)[1]下載源代碼odml-pathways-main
Dennis-Chen·2022-11-20 07:45

[源码解析] 机器学习参数服务器ps-lite 之(3) ----- 代理人Customer

[源码解析]机器学习参数服务器ps-lite之(3)-----代理人Customer文章目录[源码解析]机器学习参数服务器ps-lite之(3)-----代理人Customer0x00摘要0x01来源1.1
罗西的思考·2022-11-20 00:12

[源码解析] 机器学习参数服务器ps-lite (1) ----- PostOffice

[源码解析]机器学习参数服务器ps-lite(1)-----PostOffice文章目录[源码解析]机器学习参数服务器ps-lite(1)-----PostOffice0x00摘要0x01概要1.1参数服务器是什么
罗西的思考·2022-11-20 00:12

yolov5调用手机摄像头

今天用yolov5调用摄像头做了个测试.手机需要下载安装软件才可以作为摄像头使用.目录手机安装IP摄像头lite使用yolov5进行链接结果手机安装IP摄像头lite我用的phone测试,安装IP摄像头
奔跑的蜗牛啊啊·2022-11-19 23:51

ALBERT:A LITE BERT FOR SELF-SUPERVISED LEAARNINGOF LANGUAGE REPRESENTATIONS

ABSTRACTIncreasingmodelsizewhenpretrainingnaturallanguagerepresentationsoftenresultsinimprovedperformanceondownstreamtasks.预训练自然语言表示的时候，增加模型的大小经常导致下游任务的表现提升。However,atsomepointfurthermodelincreasesbec
唐僧爱吃唐僧肉·2022-11-19 13:53

ALBERT：A Lite BERT for Self-supervised Learning of Language Representations（2019-9-26）

模型概述ALBERT相当于是BERT的一个轻量版，ALBERT的配置类似于BERT-large，但参数量仅为后者的1/18，训练速度却是后者的1.7倍。ALBERT主要对BERT做了3点改进，缩小了整体的参数量，加快了训练速度，增加了模型效果。第一个改进是对嵌入参数化进行因式分解。大的词汇嵌入矩阵分解为两个小的矩阵，将隐藏层的大小与嵌入层的分离开。这种分离使得隐藏层的增加更加容易，同时不显著增加词
不负韶华ღ·2022-11-19 13:51

ALBERT： A Lite BERT for Self-supervised Learning of Language Representations（2019-9-26）

模型概述谷歌的研究者设计了一个精简的BERT（ALiteBERT，ALBERT），参数量远远少于传统的BERT架构。BERT(Devlinetal.,2019)的参数很多，模型很大，内存消耗很大，在分布式计算中的通信开销很大。但是BERT的高内存消耗边际收益并不高，如果继续增大BERT-large这种大模型的隐含层大小，模型效果不升反降。启发于mobilenet，ALBERT通过两个参数削减技术克
不负韶华ღ·2022-11-19 13:20

Albert: A lite bert for self-supervised learning of language representations (Albert)

Albert历史意义:1、Albert各层之间采用参数共享和embedding因式分解减少参数量2、在nlp预训练模型中正式采用轻量级bert模型nlp领域(各个下游任务都有自身的模型)nlp领域(采用轻量级bert模型Albert)论文主要结构:一、Abstract介绍背景及提出Albert模型在多个数据集上的效果都表现优异1、增加modelsize提高模型在下游任务中的表现，但是同时会增加训练
BUPT-WT·2022-11-19 13:16

ALBERT: A LITE BERT FOR SELF-SUPERVISEDLEARNING OF LANGUAGE REPRESENTATIONS

原文链接：https://openreview.net/pdf?id=H1eA7AEtvS概述越大的模型在自然语言表征上进行预训练后通常能在下游任务中表现更好，这样下区会加重GPU/TPU的负担，并且训练时间会更长。于是，我们提出了两种方法来降低硬件消耗并增加BERT的训练速度。综合来看，我们提出的方法比原始的BERT规模更好，并且加入了自监督损失，对句子间的连贯性进行建模，实验表明该模型有助于多
pepsi_w·2022-11-19 13:46

ALBERT: A Lite Bert for Self-Supervised Learning of Language Representations

ALBERT:ALiteBertforSelf-SupervisedLearningofLanguageRepresentationsabstract：提出两种参数减少技术来降低内存的消耗和加快BERT的训练速度，使用了一个self-supervisedloss计算句子之间的一致性。两种参数减少技术，使参数减少18倍，训练速度加快1.7倍。:factorizedembeddingparameter
qq_38317254·2022-11-19 13:38

解读ALBERT《A LITE BERT FOR SELF-SUPERVISED LEARNING OF LANGUAGE REPRESENTATIONS》

转载地址https://blog.csdn.net/weixin_37947156/article/details/101529943原文作者：sliderSun解读ALBERT《ALITEBERTFORSELF-SUPERVISEDLEARNINGOFLANGUAGEREPRESENTATIONS》中文预训练ALBERT模型：https://github.com/brightmart/alber
SurverDevin·2022-11-19 13:07

Raki的读paper小记：ALBERT: A LITE BERT FOR SELF-SUPERVISED LEARNING OF LANGUAGE REPRESENTATIONS

Abstract&Introduction&RelatedWork研究任务预训练语言模型已有方法和相关工作面临挑战越来越大的模型需要更多的计算资源和时间去训练创新思路因子化嵌入参数化跨层参数共享用SOP替换NSP实验结论sotaALBERT用了两个很重要的技术来减少参数规模因子化嵌入参数化。通过将大的词汇嵌入矩阵分解成两个小矩阵，我们将隐藏层的大小与词汇嵌入的大小分开。这种分离使得在不大幅增加词汇
爱睡觉的Raki·2022-11-19 13:58
上一页 12 13 14 15 16 17 18 19 下一页
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他