瑞芯微 Toybrick RK3399Pro开发 --YOLOV3开发与实现

概述
基于RKNN开发
搭建开发环境
训练自己的数据
基于Darknet开发
展望

人工智能开发系列(3) YOLOV3开发与实现

一、概述

物体检测

• 传统的人工设计特征加浅层分类器
• 基于深度学习检测框架
  R-CNN：候选区域选择CNN特征提取分类与边界回归
  **Fast RCNN:**候选余秋雨选择整图CNN特征值提取，候选框在特征图上的映射分类
  **Faster RCNN:**区域生成网络RPN候选框提取模块+Fast RCNN检测模块（RPN是全卷积神经网络）
  YOLOV3: 一阶段的检测器，全卷积神经网络

YOLOV3
YOLO的全名是：You Only Look Once.
YOLO算法的基本思想是：首先将输入图像分成S*S个格子，如果某个预测对象的中心坐标落在某个格子中，那么就由该格子来预测该对象，每个格子都会预测B个边界框，每个边界框输出为（5+C）长度参数
SxS: 在yolov3-416中会切割成13x13, 26x26, 52x52
B: 在yolov3中该值为3, 由anchors决定
C: 模型可预测分类, VOC数据集为20，coco数据集为80，也可以自己训练
5 bounding box边界框的中心坐标，长宽，对象置信度

Yolov3原理

Yolov3后处理

Yolov3速度对比

二、搭建开发环境

三、基于Darknet开发

PC或者开发板都可以，推荐PC

四、基于RKNN开发

移到开发板

五、训练自己的数据

标注图片

六、展望

14帧左右-单线程
多线程快

多线程策略：
前处理开一个线程，NPU开第二个线程，后处理开第三个线程
至少可以提高到30帧