fansz
分享资料个
在这个项目中，我将解释我将 ResNet18 模型转换为 AWNN 以在 Maix-II 板中进行推理的步骤。
笔记。该项目中使用的所有文件、模型和脚本都可以在该驱动器中找到。
该模型是使用迁移学习示例训练的，数据集可以在kaggle中找到。
该模型仅用了 10 个 epoch 就获得了 98 的最大准确度，准确率为 7%。如果您想加载我训练的模型，我将提供模型的权重并访问colab notebook 。
使用经过训练的模型，您可以使用 Neucrack 在他的教程中提供的脚本将模型转换为 ONNX。
我还提供了已经转换的模型。
现在您可以使用大雀仙提供的在线转换器将模型从 ONNX转换为NCNN 。注意：不要使用优化器。
现在您可以使用 Sipeed 提供的在线工具将模型从 NCNN 转换为 AWNN（您需要登录才能使用转换器）。
在为转换器创建 zip 文件之前，您需要验证参数文件的输入层是否正确，在我的例子中输入层有缺失值。
您需要在输入层中插入图像的分辨率，在我的例子中它是 224、224，因为它是 RGB 图像，它有 3 个通道。
现在您可以创建一个 zip 文件，其中包含一个图像文件夹，其中包含用于调整转换的图像、bin 文件和参数文件。通过 zip 文件，您可以使用在线工具将其转换为 AWNN 模型。
转换结束后，您可以下载一个包含 de.param 和 .bin 文件的 zip 文件夹。
现在你有一个.bin 和.param AWNN 文件，你必须将它们上传到 Maix-II 板，为此我使用了 MobaXterm，你可以看到如何使用它来访问这个项目中的文件。
但简而言之，您必须使用串口通过 wifi 连接开发板，使用 ifconfig 发现开发板的 IP 是什么，然后使用 IP 通过 SSH 连接。
现在你可以创建一个文件夹并上传 AWNN 文件，然后创建一个扩展名为 .py 的空文件，你可以进行推理，我使用的脚本在项目结束时上传。
要运行脚本，您需要“cd”到inference.py文件的目录并运行“python inference.py”。以下是电路板的一些测试。
笔记。NCNN、AWNN 模型和 zip 文件夹的文件可以在此驱动器中找到。
声明：本文内容及配图由入驻作者撰写或者入驻合作网站授权转载。文章观点仅代表作者本人，不代表电子发烧友网立场。文章及其配图仅供工程师学习之用，如有内容侵权或者其他违规问题，请联系本站处理。 举报投诉
全部0条评论
快来发表一下你的评论吧 !
