ZHCACX6 july   2023 AM62A3 , AM62A7

 

  1.   1
  2.   摘要
  3.   商标
  4. 1引言
    1. 1.1 缺陷检测演示摘要
    2. 1.2 AM62A 处理器
    3. 1.3 缺陷检测系统
    4. 1.4 传统机器视觉与深度学习
  5. 2数据集准备
    1. 2.1 测试样片
    2. 2.2 数据搜集
    3. 2.3 数据注释
    4. 2.4 数据增强
  6. 3模型选择和训练
    1. 3.1 模型选择
    2. 3.2 模型训练与编译
  7. 4应用开发
    1. 4.1 系统流程
    2. 4.2 物体跟踪器
    3. 4.3 仪表板和边界框绘图
    4. 4.4 物理演示设置
  8. 5性能分析
    1. 5.1 系统精度
    2. 5.2 帧速率
    3. 5.3 内核利用率
    4. 5.4 功耗
  9. 6总结
  10. 7参考文献

3.1 模型选择

为了在 C7x/MMA 深度学习加速器上执行该模型，必须将其编译/导出为适用的格式。TI 的 EdgeAI-ModelZoo 提供数百种先进模型，这些模型从其原始训练框架转换/导出为嵌入式适用格式。这些模型稍作修改，可确保在 TI 深度学习加速器上执行时具有出色性能。ModelZoo 中的模型支持的一些任务包括图像分类、物体检测、语义分割、人体位置等。

基于云的 Edge AI Studio 模型分析器提供了一款易于使用的模型选择工具。它会进行动态更新以包含 TI EdgeAI-ModelZoo 支持的所有模型。该工具无需任何经验，并提供了一个易于使用的界面，用于输入期望模型中所需的特性。“模型选择”工具为 AM62A 推荐了几种物体检测模型。最终模型的选择取决于具体应用和任务复杂性。我们为缺陷检测演示选择了 ONR-OD-8200-yolox-nano-lite-mmdetcoco-416x416 模型。该模型具有几个吸引人的特性，包括低延迟和足以满足该应用要求的分辨率。表 3-1 列出了为缺陷检测演示选择的模型的重要特性。详细信息适用于该模型在具有 80 个类的 COCO 数据集上进行训练的情况。

表 3-1 缺陷检测演示中使用的 yolox-nano-lite 模型的重要特性（详细信息适用于该模型在具有 80 个类的 COCO 数据集上进行训练的情况）
型号 任务 分辨率 AP 在 COCO 上的精度达 50% 延迟/帧 (ms) DDR 带宽利用率（MB/帧）
YoloX-Nano-Lite 多物体检测 416x416 40.1 8.88 22