视觉系统中的目标检测，延迟降低 25 倍

目标检测训练数据包括图像和标注，其中标注描述了图像中存在哪些目标及其位置。TI 工具使用 MS COCO 格式的数据集。

用于目标检测的图像应与最终系统运行的环境相匹配。在类似的光照条件、摄像头镜头和环境变化下采集数据，将提高所训练模型的精度。

图像质量对于训练输出的高精度至关重要，并且数据应具有一定程度的变化。待检测目标应以不同的方式呈现，例如旋转目标、使其离摄像头更近或更远，或者故意遮挡目标的一部分，使其不完全显示。尽管并非绝对必要，但训练数据中更多的变化将确保模型能够应对现实世界中的此类变化。

每种目标类型只需几十张图像就足以构建一个相当精确的模型。

我们提供了一组优化的模型，可通过 CCStudio™ Edge AI Studio 或 TI 官方 GitHub 上的类似命令行工具，在自定义数据集上进行微调。用户提供数据集并配置一些训练参数，如迭代次数和学习速率。

训练完成后，针对目标硬件编译模型，以准备部署。此编译步骤在命令行和图形化工具中均可自动处理。

每个支持的器件都有多种模型可供选择。精度和速度之间存在平衡，更大的模型将更精确，但运行速度更慢。寻找符合您需求的模型。

模型部署需要事先对其进行编译，以针对目标硬件进行优化。使用 Edge AI Studio 等工具时，编译会自动完成。否则，编译模型需要通过 TI GitHub 上的 edgeai-tidl-tools 等软件包单独进行。 

模型工件通过 ONNX Runtime、tensorflow-lite 和 TVM 等运行时进行部署，使用 TI Deep Learning (TIDL) 作为硬件后端来进行加速。使用 TI 工具训练的模型将在 PyTorch 中进行训练，并导出为 ONNX 模型，以便与 ONNX Runtime 配合使用。

要将模型部署到端到端的视觉应用中，可通过 edgeai-gst-apps 来完成，该工具除了能加速 AI 模型本身外，还通过多个硬件加速阶段构建处理流程，实现对图像的预处理和后处理。