TensorFlow Lite

　　机器之心报道 　　 参与：Racoon、张倩、Jamin 　　 树莓派4刚刚宣布了最新升级：新出8GB内存版本，售价75刀，就问你香不香？ 　　 　　去年 6 月，树莓派悄然发布了第四代产品 Raspberry Pi 4。这一新版本经过了从里到外的全面革新，带来了 2-4 倍的计算性能提升，还配置了新的操作系统，接口也全面升级。树莓派开发机构（Raspberry Pi Foundation）称，这款设备可以提供「与入门级 x86 PC 系统相媲美的桌面性能」。 　　推出一年，树莓派 4 已经卖出了近 300 万台。但美中不足的是，树莓派 4 的内存最大只有 4G。官方博客表示，树莓派使用的 BCM2711 芯片可以寻址高达 16GB 的 LPDDR4 SDRAM，但 8G 的 LPDDR4 封装一直是一个障碍，因为这个封装必须是为树莓派单独设计的。这使得 8GB 版本的研发周期要比预期中长一些。 　　不过在最近的这次更新中，开发团队表示，他们在合作伙伴美光的帮助下克服了这个障碍，带来了 8GB 的树莓派 4，售价 75 美元。 　　 　　8GB 的树莓派是个什么概念？官博描述了这样一些应用场景：无论你是想编译、链接大型软件还是在上面运行繁重的服务器负载，这款树莓派都是你的最佳选择。 　　在硬件上，为了提供更高的峰值电流以匹配 8GB 内存版本的需求，新版本还从电路板右侧靠近

云栖号资讯：【 点击查看更多行业资讯 】 在这里您可以找到不同行业的第一手的上云资讯，还在等什么，快来！ 消费者对于改进其便利性、安全性和用户体验的进步有着无法满足的胃口。我们看到，人机界面(human-machine interface，HMI)以明显的方式发展，从纯粹的触觉发展到多年来，已经涵盖了从语音到手势到视频以及各种计算机视觉功能的各种输入方法，从销售终端到智能家居。下一步将是不仅理解直接命令而且可以推断意图的设备。 同时，对基于云的传统连接设备的安全性和延迟的担忧日益加剧，这为更多基于边缘的处理铺平了道路。在人机界面(HMI)中尤其如此。但是，本地处理给技术开发人员带来了新的挑战，他们必须考虑特定用例要求，开发选项和智能(受机器学习训练的)设备的成本，这些设备需要引入新的自动化水平来增强感知智能和环境计算。 边缘AI是基础 所谓的边缘AI(Edge AI)是实现更复杂、用户友好和更安全的IoT体验的基础。根据定义，边缘AI意味着AI处理是在最终产品本身(例如机顶盒或智能显示器)内部而不是在云中运行。这样做的理由是众所周知的，即更好的隐私、更少的带宽和更快的响应时间，甚至生态友好性，因为边缘处理减少了运行大型数据中心的能源、水和其他资源的需求。 边缘AI已在我们生活每天接触的许多应用中采用，但最初的使用很大程度上仅限于昂贵的产品，例如智能手机和汽车。因此

近年来，人工智能在我国获得了快速发展，随着技术的成熟和一系列政策的发布，人工智能已从萌芽阶段步入到发展阶段，应用数量的激增推动了AI技术向产业化的渗透。 有研究指出，未来十年，人工智能技术还将经历新一轮的爆发和加速，带有人工智能技术的产品将在更多的领域中出现。 机器视觉、语音识别、智能翻译等技术将与日常场景紧密相连。 在这一背景下，由Qualcomm（高通公司）、中国智谷·重庆经开区、CSDN、Testin云测、OPPO、极视角、中科创达、创业邦联合主办，重庆经开区·Qualcomm中国·中科创达联合创新中心协办，TensorFlow Lite 作为开源技术合作伙伴的行业内专业性质的“Qualcomm人工智能创新应用大赛”于今年2月正式启动。 作为2020线上中国国际智能产业博览会同期大赛活动之一，本届大赛融合人工智能、智能边缘和边缘云等技术, 为专注于安卓应用程序开发、智能边缘的移动开发者及行业用户提供展示创意和想法的舞台，基于移动人工智能应用开发，涉及视觉计算（视觉与图像处理）、语音识别（自然语言识别、语义分析等）、算法优化等，继而应用于医疗、金融、交通、机器人等垂直行业领域。 “Qualcomm人工智能创新应用大赛”分为移动应用和AIoT两个赛道，设立了白金奖1名、分项赛道金奖7名。大赛分别为白金奖获胜者提供了搭载高通骁龙820A汽车平台的领克05 SUV 一辆

主要思路 将训练好的.pt文件转换为keras的.h5文件，再将.h5文件转换为.tflite文件。 步骤： 1.环境：PyTorch1.0以上（其他版本也可以，主要是适配下面的开源代码） .pt转weights 下载后在文件内添加pt_to_weights.py。 from models import * model = Darknet("cfg/yolov3-obj.cfg") #load_darknet_weights(model,"weights/latest.pt") #save_weights(model,path='weights/latest.weights',cutoff=-1) checkpoint = torch.load("weights/latest.pt", map_location='cpu') model.load_state_dict(checkpoint['model']) save_weights(model,path='weights/latest.weights',cutoff=-1) 2.环境：Tensorflow2.0，要安装keras模块 .weights转.h5 修改输入层尺寸，input_layer = Input(shape=(416, 416, 3))，后续转换为tflite需要固定输入尺寸。不然会报错： 运行 python

Tensorflow 2.0(Keras)转换TFlite 目录 Tensorflow 2.0(Keras)转换TFlite 1. TensorFlow Lite 指南 (1)TensorFlow Lite 转换器 (2)转换量化模型 (3)兼容的算子:Compatible operations 2. 转换脚本(Python版本) 1. TensorFlow Lite 指南 (1)TensorFlow Lite 转换器 https://tensorflow.google.cn/lite/guide/ops_select 为了能够转换包含 TensorFlow 运算符的 TensorFlow Lite 模型，可使用位于 TensorFlow Lite 转换器 中的 target_spec.supported_ops 参数。 target_spec.supported_ops 的可选值如下： TFLITE_BUILTINS - 使用 TensorFlow Lite 内置运算符转换模型。 SELECT_TF_OPS - 使用 TensorFlow 运算符转换模型。已经支持的 TensorFlow 运算符的完整列表可以在白名单 lite/delegates/flex/whitelisted_flex_ops.cc 中查看。 注意： target_spec.supported_ops 是之前

使用Tensorflow从0开始搭建精灵宝可梦的检测APP 本文为 本人 原创，转载请注明来源链接 环境要求 Tensorflow1.12.0 cuda 9.0 python3.6.10 Android Studio Anaconda 安装Tensorflow 使用conda 安装GPU版Tensorflow conda install tensorflow-gpu=1.12.0 找到tensorflow的安装位置 我的位置在: home/jiading/.conda/envs/tensorflow12/lib/python3.6/site-packages/tensorflow 通过conda安装的tensorflow是不包括models这一模块的，需要从Github上下载: https://github.com/tensorflow/models 将它克隆到tensorflow文件夹下: 打开models\research\object_detection,按照https://github.com/tensorflow/models/blob/master/research/object_detection/g3doc/installation.md提示的进行安装 运行 python object_detection/builders/model_builder_test.py

1, Feactures • Edge TPU Module (SOM) o NXP i.MX 8M SOC (Quad-core Cortex-A53, plus Cortex-M4F) o Google Edge TPU ML accelerator coprocessor o Cryptographic coprocessor o Wi-Fi 2x2 MIMO (802.11b/g/n/ac 2.4/5GHz) o Bluetooth 4.1 o 8GB eMMC o 1GB LPDDR4 • USB connections o USB Type-C power port (5V DC) o USB 3.0 Type-C OTG port o USB 3.0 Type-A host port o USB 2.0 Micro-B serial console port • Audio connections o 3.5mm audio jack (CTIA compliant) o Digital PDM microphone (x2) o 2.54mm 4-pin terminal for stereo speakers • Video connections o HDMI 2.0a (full size) o 39-pin FFC connector for MIPI

Edge AI（边缘人工智能）仍然是行业的焦点新事物，很多人不确定他们的项目应该选择哪种硬件及平台。今天，笔者将大家评测一些领先和新兴的AI软硬件平台。 自2012年开始深度学习热潮以来，英伟达就一直在其GPU上占据着AI芯片的主导地位。尽管它们耗电量大，运行时嘈杂且成本昂贵，但别无选择。大约3年前，Google宣布他们已经设计了Tensor处理单元（TPU），以加快数据中心的深度学习推理速度。这触发了成熟的科技公司和初创公司争相推出专门针对数据中心和边缘的专用AI芯片。 我们今天要谈论的是边缘AI的平台。那么，边缘AI到底是什么？边缘AI的术语是从边缘计算中借用的，这意味着计算是在数据源附近进行的。 在AI世界中，如你所见，应用场景包括物联网，移动电话，无人驾驶飞机，自动驾驶汽车等。因此，我们将重点放在AI平台上，个人和小型公司都可以开发和使用。 今天要评测的是英特尔的神经计算机棒，谷歌边缘计算芯片Edge TPU和英伟达的Jetson Nano。 性能 在评估用于实时部署的AI模型和硬件平台时，我首先要看的是-它们的速度如何。在计算机视觉任务中，通常以每秒帧数（FPS）来衡量基准。较高的数字表示较好的性能，对于实时视频流，你至少需要大约10 fps才能使视频显得流畅。基准测试中使用了许多应用程序，最常见的两个是分类和对象检测。在计算上，分类是最简单的任务

📖教程 一个易迁移、兼容性高的 Flutter 富文本方案 复杂业务如何保证Flutter的高性能高流畅度？ 👖插件 flutter_color_models A wrapper for the Dart color_models plugin with added support for Flutter's Color class. FlutterToast A Flutter Toast plugin. flutter_rs Build beautiful desktop apps with flutter and rust. 🌠 credit_card_validator A Dart package that validates credit card numbers, expiration dates, and security codes (CVV/CVC) based on the type of credit card rule_engine_dart A small rule engine for Dart and Flutter vin_decoder_dart A VIN decoding and validation library for Dart. crypton A simple Dart library for asymmetric

📖教程 一个易迁移、兼容性高的 Flutter 富文本方案 复杂业务如何保证Flutter的高性能高流畅度？ 👖插件 flutter_color_models A wrapper for the Dart color_models plugin with added support for Flutter's Color class. FlutterToast A Flutter Toast plugin. flutter_rs Build beautiful desktop apps with flutter and rust. 🌠 credit_card_validator A Dart package that validates credit card numbers, expiration dates, and security codes (CVV/CVC) based on the type of credit card rule_engine_dart A small rule engine for Dart and Flutter vin_decoder_dart A VIN decoding and validation library for Dart. crypton A simple Dart library for asymmetric