Skip to content

快速入门

概述中,我们已经介绍了 SSCMA 提供的功能和特性。考虑到 SSCMA 被划分为多个不同的模块,每个模块完成其对应的任务,我们建议按照以下步骤快速入门。

TIP

我们建议 SSCMA 的所有初学者都从入门指南开始学习,如果您对 SSCMAOpenMMLab 已经熟悉,并且希望尝试在边缘计算设备上部署、修改现有的神经网络或使用自定义数据集进行训练,您可以直接参考高级用法

入门指南

模型部署

如果您想在设备上部署模型,请参考部署章节,了解如何部署模型。

模型训练

如果您想训练一个模型,我们强烈建议您首先在Colab平台上尝试训练一个模型。您可以参考以下教程:

目标检测

ModelColab
Gender_Detection_Swift-YOLO_192Open In Colab
Digital_Meter_Water_Swift-YOLO_192Open In Colab
Apple_Detection_Swift-YOLO_192Open In Colab
person_Detection_Swift-YOLO_192Open In Colab
Face_Detection_Swift-YOLO_96Open In Colab
COCO_Detection_Swift-YOLO_320Open In Colab
Gesture_Detection_Swift-YOLO_192Open In Colab
Digital_Meter_Electricity_Swift-YOLO_192Open In Colab

图像分类

ModelColab
MNIST_Classification_MobileNetV2_0.5_Rep_32Open In Colab
Gender_Classification_MobileNetV2_0.35_Rep_64Open In Colab
Person_Classification_MobileNetV2_0.35_Rep_64Open In Colab
Person_Classification_MobileNetV2_0.35_Rep_96Open In Colab
Person_Classification_MobileNetV2_0.35_Rep_32Open In Colab
CIFAR-10_Classification_MobileNetV2_0.35_Rep_32Open In Colab

高级用法

  1. 首先,参考安装指南配置 SSCMA 的运行环境。

  2. 然后,熟悉 SSCMA 的基本用法:

    • 模型训练,请参考模型训练以了解如何使用 SSCMA 进行模型训练。我们建议您从示例中选择一个模型进行训练。

    • 模型导出。完成模型训练后,为了在边缘计算设备上部署,首先需要导出模型。有关模型导出的教程,请参考模型导出

    • 模型验证。模型验证可在训练或导出后进行。前者验证神经网络和训练结果的正确性,而后者主要验证导出模型的正确性,以便后续在边缘计算设备上进行部署和调试。上述两个步骤的文档中已经提供了一些模型验证的方法。

  • 模型部署。如果您想将导出的训练模型部署在边缘计算设备上,请参考ESP32部署示例Grove Vision AI部署示例

  • 自定义数据集。如果您想在自定义数据集上进行训练,请参考数据集

  • 自定义模型。如果您想修改现有的神经网络或设计自己的神经网络,请参考模型配置

必备知识

📸 计算机视觉:

计算机视觉的基础建立在数字图像处理之上。因此,您需要先学习数字图像处理的基础知识。然后可以继续学习计算机视觉主题,如模式识别和三维几何。您需要了解线性代数,以便能够充分理解计算机视觉中的某些概念,如降维。在理解计算机视觉基础知识之后,您还应该在深度学习方面建立知识,特别是卷积神经网络(CNN)方面的知识。

💻 编程:

对于设计和原型制作来说,Python就足够了,但如果您想进行嵌入式开发工作,您还应该熟悉C/C++。

🧰 工具:

OpenCV是计算机视觉的主要工具,Numpy是数据处理和分析的重要工具。您必须熟悉它们。您应该了解可用的工具以及如何使用它们。您还需要熟悉深度学习框架,可以从最容易学习的Keras开始,然后学习Tensorflow或PyTorch。

在 MIT License 授权下发布