24 物體識別

 

下載

 

代碼和MobileNet訓練模型能夠從如下位置下載：

 

https://github.com/djmv/MobilNet_SSD_opencv

http://www.ebenezertechs.com/mobilenet-ssd-using-opencv-3-4-1-deep-learning-module-python/

 

 

https://github.com/djmv/MobilNet_SSD_opencv 

網友加速

 

在Raspberry Pi上設置TensorFlow對象檢測API的教程

https://github.com/EdjeElectronics/TensorFlow-Object-Detection-on-the-Raspberry-Pi#6-detect-objects

 

https://github.com/EdjeElectronics/TensorFlow-Object-Detection-on-the-Raspberry-Pi

 https://www.youtube.com/watch?v=gGqVNuYol6o&feature=youtu.be

 

 

 

 

https://blog.csdn.net/weixin_43558453/article/details/85175253

Tensorflow官方提供的本地編譯的方式在arm嵌入式設備運行Tensorflow Lite

 

https://blog.csdn.net/weixin_43558453/article/details/86507764

即便是在實時檢測並亮燈的時候樹莓派的CPU的佔用率也65%左右，因此小小的樹莓派用Tengine仍是有能夠繼續發掘的潛力的。

若是你們對Tengine框架的性能有興趣能夠參考一下我以前寫的那篇文章，關於Tengine和

 

 

樹莓派實現目標實時檢測opencv-Moblenet

 

Tengine 推斷引擎：樹莓派也能玩轉深度學習

http://shumeipai.nxez.com/2018/12/07/tengine-inference-engine-raspberry-pi-deep-learning.html

 

能夠看到單幀耗時有所降低（400ms-700ms），

 

 

 

 

使用opencvd的級聯器

https://www.cs.cmu.edu/~efros/courses/LBMV07/Papers/viola-cvpr-01.pdf