ໃນປັດຈຸບັນ, ພວກເຮົາມີຄວາມຮູ້ສຶກວ່າພວກເຮົາມີຄວາມຮູ້ສຶກວ່າພວກເຮົາມີຄວາມຮູ້ສຶກວ່າພວກເຮົາມີຄວາມຮູ້ສຶກວ່າພວກເຮົາມີຄວາມຮູ້ສຶກວ່າພວກເຮົາມີຄວາມຮູ້ສຶກວ່າພວກເຮົາມີຄວາມຮູ້ສຶກວ່າພວກເຮົາມີຄວາມຮູ້ສຶກວ່າພວກເຮົາມີຄວາມຮູ້ສຶກວ່າພວກເຮົາມີຄວາມຮູ້ສຶກວ່າພວກເຮົາມີຄວາມຮູ້ສຶກວ່າພວກເຮົາມີຄວາມຮູ້ສຶກວ່າພວກເຮົາມີຄວາມຮູ້ສຶກວ່າພວກເຮົາມີຄວາມຮູ້ສຶກວ່າພວກເຮົາມີຄວາມຮູ້ສຶກວ່າພວກເຮົາມີຄວາມຮູ້ສຶກວ່າພວກເຮົາມີຄວາມຮູ້ສຶກວ່າພວກເຮົາມີຄວາມຮູ້ສຶກວ່າພວກເຮົາມີຄວາມຮູ້ສຶກວ່າພວກເຮົ ການນໍາໃຊ້ Dataset ຫຼັງຈາກການຝຶກອົບຮົມຂອງມາດຕະຖານ, ທ່ານຄວນໄດ້ຮັບການຝຶກອົບຮົມ Dataset. ຖ້າຫາກວ່າທ່ານບໍ່ມີ Dataset, ທ່ານສາມາດຊອກຫາ "Import Dataset" ແລະເລືອກ Dataset ທີ່ຖືກສະຫນອງໃນອຸປະກອນ. (ຫຼັງຈາກນັ້ນ, ຖ້າຫາກວ່າທ່ານມີ Dataset ຂອງທ່ານເອງ, ທ່ານສາມາດຊອກຫາ "Create a blank project" ເພື່ອສົ່ງອອກໄດ້.) ການນໍາໃຊ້ເຄື່ອງມືນີ້ເພື່ອດາວໂຫລດຊຸດຂໍ້ມູນຈາກ TensorFlow, ເຊັ່ນດຽວກັນກັບຮູບພາບທີ່ຜ່ານມາ. You can select the provided datasets from the drop-down menu in the upper-left corner. ນີ້ແມ່ນທັງຫມົດ datasets ທີ່ຖືກນໍາໃຊ້ຢ່າງກວ້າງຂວາງໃນ TensorFlow. This paper uses the mnist dataset. ລະບົບຂໍ້ມູນ mnist ມີ 60,000 ບິດລັກສະນະເປັນການຝຶກອົບຮົມແລະ 10,000 ບິດລັກສະນະເປັນການຢັ້ງຢືນ. ນອກຈາກນີ້, ມີສາມຊຸດຂໍ້ມູນອື່ນໆ: cifar10: It contains color images of 10 classes, with 50,000 images as the training set and 10,000 images as the validation set. horses_or_humans: horses_or_humans: It has 2 classes, humans and horses. There are 1,027 images of humans and 1,027 images of horses respectively. tf_flowers: It has 5 classes, with a total of 3,670 images of all kinds of flowers. ນອກເຫນືອໄປຈາກນີ້, ມັນມີ "Problem type" drop - down menu ໃນປັດຈຸບັນ, ເຊິ່ງເປັນປະເພດຂອງການເຮັດວຽກ. ເຊັ່ນດຽວກັນກັບການເຮັດວຽກທີ່ຜ່ານມາ, ສະບັບນີ້ຂອງອຸປະກອນມີພຽງແຕ່ສອງປະເພດ, ຫນຶ່ງແມ່ນການປະເພດຮູບພາບແລະອື່ນໆແມ່ນການຊອກຫາອຸປະກອນ. ໃນການເຮັດວຽກການຊອກຫາອຸປະກອນ, ມີພຽງແຕ່ຫນຶ່ງຊຸດຂໍ້ມູນ, coco/2017. ຊຸດຂໍ້ມູນນີ້ສາມາດຊອກຫາ 80 ປະເພດການຊອກຫາອຸປະກອນ, ມີ 118,287 ຮູບພາບເປັນຊຸດການຝຶກອົບຮົມ, 5,000 ຮູບພາບເປັນຊຸດການຢັ້ງຢືນ, ແລະ 20,288 ຮູບພາບເປັນຊຸດການທົດສອບ. ຫຼັງຈາກການເລືອກ dataset, click the "IMPORT" button, select the save directory, and wait for the import. ເຊັ່ນດຽວກັນກັບຮູບພາບພາຍໃຕ້: ດາວໂຫລດ Save Directory ຫຼັງຈາກນັ້ນ, ກະລຸນາໄດ້ຮັບການ imported. ຫຼັງຈາກການອັບໂຫລດໄດ້ຖືກປັບປຸງ, ທ່ານສາມາດເບິ່ງຊຸດຂໍ້ມູນ mnist. ຫຼັງຈາກນັ້ນ, ຫຼັງຈາກນັ້ນ, ທ່ານສາມາດເບິ່ງຊຸດຂໍ້ມູນ mnist. ຫຼັງຈາກນັ້ນ, ທ່ານສາມາດເບິ່ງລາຍລະອຽດກ່ຽວກັບລາຍລະອຽດໂດຍເລືອກຮູບພາບ. ວິທີການຝຶກອົບຮົມ ຫຼັງຈາກການອັບໂຫລດ dataset, ການຫຼັງຈາກນັ້ນແມ່ນທີ່ຈະເລືອກຮູບແບບ. ເຊັ່ນດຽວກັນກັບຮູບແບບນີ້, ຄລິກໃສ່ "SELECT MODEL" button ໃນຮູບພາບນີ້. Interface ສໍາລັບການເລືອກຂອງມາດຕະຖານແມ່ນເຊັ່ນດຽວກັນກັບການສະແດງຂ້າງລຸ່ມນີ້. ໃນ Interface ນີ້, 3 ຄໍາຮ້ອງສະຫມັກທີ່ແຕກຕ່າງກັນຖືກສະແດງໃຫ້ເຫັນຢູ່ໃນຂ້າງລຸ່ມນີ້, ແລະຄຸນນະສົມບັດຂອງພວກເຂົາແມ່ນນີ້: RESTORE MODEL: ດາວໂຫລດຮູບແບບທີ່ຜ່ານມາໄດ້ຖືກນໍາໃຊ້. ໂມເລກຸນພື້ນຖານ: Select the provided base models. ຊື່ຫຍໍ້ຂອງ : Select the models you created. ໃນປັດຈຸບັນ, ພວກເຮົາມີຕົວຢ່າງທີ່ແຕກຕ່າງກັນຂອງຮູບແບບທີ່ມີຄຸນນະສົມບັດທີ່ແຕກຕ່າງກັນ, ເຊັ່ນດຽວກັນກັບຮູບແບບຄຸນນະສົມບັດ, ຮູບແບບ segmentation, ແລະຮູບແບບການຊອກຫາ Object. ເອກະສານນີ້ໄດ້ນໍາໃຊ້ຮູບແບບພື້ນຖານທີ່ສະຫນອງໂດຍ eIQ Portal, ດັ່ງນັ້ນເລືອກ ''BASE MODEL'' ເຊັ່ນດຽວກັນກັບຮູບພາບພາຍໃຕ້. ຮູບພາບທີ່ຜ່ານມາສະແດງໃຫ້ເຫັນຮູບແບບພື້ນຖານທີ່ແຕກຕ່າງກັນທີ່ສະຫນອງໂດຍອຸປະກອນນີ້. ຮູບແບບນີ້ນໍາໃຊ້ຮູບແບບ mobilenet_v3. ການກໍ່ສ້າງຂອງຮູບແບບທີ່ແຕກຕ່າງກັນສາມາດເບິ່ງໂດຍຜ່ານ "MODEL TOOL" ໃນ ຫນ້າທໍາອິດ. ຫຼັງຈາກການເລືອກຂອງມາດຕະຖານ, ດາວນ໌ໂຫລດລະດັບການຝຶກອົບຮົມຂອງມາດຕະຖານ. ອັດຕະໂນມັດຂອງຕົນແມ່ນເຊັ່ນດຽວກັນກັບການສະແດງຂ້າງລຸ່ມນີ້. ຫຼັງຈາກນັ້ນ, ການຝຶກອົບຮົມນີ້ສະແດງໃຫ້ເຫັນຄໍາຮ້ອງສະຫມັກທີ່ຕ້ອງຖືກປັບປຸງໃນໄລຍະການຝຶກອົບຮົມ, ລວມທັງຄວາມໄວການຝຶກອົບຮົມ, Batchsize ແລະ epochs, ແລະອື່ນໆ. ມັນສາມາດຖືກປັບປຸງຕາມຄວາມຕ້ອງການ. ຫຼັງຈາກນັ້ນ, ການຝຶກອົບຮົມນີ້ສາມາດສະແດງໃຫ້ເຫັນຂໍ້ມູນທີ່ກ່ຽວຂ້ອງເຊັ່ນດຽວກັນກັບຄວາມຖືກຕ້ອງແລະຄ່າໃຊ້ຈ່າຍໃນໄລຍະການຝຶກອົບຮົມ. ຄຸນນະສົມບັດຂອງການຝຶກອົບຮົມນີ້ແມ່ນເຊັ່ນດຽວກັນກັບການຝຶກອົບຮົມນີ້. ຫຼັງຈາກການເລືອກ, click "Start training". ການຝຶກອົບຮົມຂອງການຝຶກອົບຮົມແມ່ນເຊັ່ນດຽວກັນກັບການສະແດງຂ້າງລຸ່ມນີ້. ຄຸນນະພາບແລະຄ່າໃຊ້ຈ່າຍຂອງມາດຕະຖານໃນປັດຈຸບັນສາມາດເບິ່ງໄດ້ຢ່າງວ່ອງໄວ. ຫຼັງຈາກການຝຶກອົບຮົມຮູບແບບໄດ້ຖືກປັບປຸງ, ເຊັ່ນດຽວກັນກັບຮູບພາບພາຍໃຕ້, ທ່ານສາມາດຕິດຕັ້ງຂະບວນການທີ່ແຕກຕ່າງກັນເພື່ອເບິ່ງຂໍ້ມູນຂອງການເລີ່ມຕົ້ນ. ປະເພດ Validation ຫຼັງຈາກການຝຶກອົບຮົມຮູບແບບທີ່ໄດ້ຮັບການປັບປຸງ, ຮູບເງົາຄວນໄດ້ຮັບການ validation. ເລືອກ ''VALIDATE'' ເພື່ອເຂົ້າໄປໃນລະດັບການ validation ຮູບເງົາ. ເຊັ່ນດຽວກັນກັບຮູບພາບພາຍໃຕ້. ໃນອິນເຕີເນັດການຢັ້ງຢືນຕົວແບບ, ທ່ານຍັງຈໍາເປັນຕ້ອງຕິດຕັ້ງຄຸນນະສົມບັດການຢັ້ງຢືນ, ລວມທັງ Softmax Threshold ແລະຄຸນນະສົມບັດທີ່ແຕກຕ່າງກັນ. ຄຸນນະສົມບັດທີ່ຖືກກໍານົດໃນເອກະສານນີ້ແມ່ນເຊັ່ນດຽວກັນ. ຫຼັງຈາກການກໍານົດ, ກະລຸນາ "Validate" ເຊັ່ນດຽວກັນກັບການສະແດງຂ້າງລຸ່ມນີ້. ຫຼັງຈາກການຢັ້ງຢືນໄດ້ຖືກປັບປຸງ, matrix confusion ແລະຄວາມຖືກຕ້ອງຂອງມາດຕະຖານຈະສະແດງໃຫ້ເຫັນໃນອິນເຕີເນັດ, ເຊັ່ນດຽວກັນກັບຮູບພາບນີ້. ລະຫັດ QR ຫຼັງຈາກການຝຶກອົບຮົມຮູບແບບແລະການຢັ້ງຢືນການຮັບປະກັນ, ເພື່ອດໍາເນີນການຮູບແບບໃນ OKMX8MP, ຮູບແບບຈໍາເປັນຕ້ອງໄດ້ຮັບການປ່ຽນແປງໃນຮູບແບບ .tflite. ດັ່ງນັ້ນ, ຮູບແບບຈໍາເປັນຕ້ອງໄດ້ຮັບການປ່ຽນແປງ. Click ''DEPLOY'' to enter the conversion interface. As shown in the figure below. ເລືອກປະເພດການສົ່ງອອກຈາກຄໍາສັ່ງຂ້າງ - ດາວໂຫລດ - ດາວໂຫລດ. ໃນເອກະສານນີ້, ປະເພດການສົ່ງອອກແມ່ນຮູບແບບ TensorFlow Lite. ໃນປັດຈຸບັນ, ສໍາລັບການນໍາໃຊ້ຄວາມງ່າຍດາຍ, ປະເພດຂໍ້ມູນຂອງ input ແລະ output ໄດ້ຖືກຕັ້ງຢູ່ໃນ int8. Parameters ໄດ້ຖືກຕັ້ງຢູ່ໃນຮູບແບບທີ່ຜ່ານມາ. ຫຼັງຈາກການຕິດຕັ້ງອຸປະກອນ, ເລືອກ "EXPORT MODEL" ເພື່ອສົ່ງອອກຮູບແບບໃນຮູບແບບ .tflite, ແລະຫຼັງຈາກນັ້ນສົ່ງອອກຮູບແບບໃນຮູບແບບນີ້ກັບ i.MX8MP. ການຄາດຄະເນ ຫຼັງຈາກການຄາດຄະເນດຽວກັນ, ການຄາດຄະເນດຽວກັນທີ່ຜ່ານມາຈໍາເປັນຕ້ອງໄດ້ຮັບການ prepared. ໂທລະສັບມືຖື _ v3.tflite ຮູບພາບ ສໍາ ລັບ The Handwritten digit image files to be predicted. ເອກະສານ script Python ສໍາລັບການດາວໂຫລດຮູບແບບແລະຮູບພາບ pre - ການປັບປຸງ. ຂ້າພະເຈົ້າສືບຕໍ່ໄດ້ຮັບການປະທັບໃຈ ສໍາ ລັບຂ້າພະເຈົ້າສືບຕໍ່ໄດ້ຮັບການປະທັບໃຈ ສໍາ ລັບຂ້າພະເຈົ້າ. ຂ້າພະເຈົ້າສືບຕໍ່ໄດ້ຮັບການປະທັບໃຈ ສໍາ ລັບຂ້າພະເຈົ້າ! ດາວນ໌ໂຫລດ Python Script import numpy as np from PIL import Image import tflite_runtime.interpreter as tflite -------- ການຄຸ້ມຄອງ -------- MODEL_PATH = "/home/root/mobilenet_v3.tflite" IMAGE_PATHS = [ "/home/root/1_0.jpg", ''/home/root/1_1.jpg", "/home/root/1_2.jpg", "/home/root/1_3.jpg", ''/home/root/1_4.jpg", "/home/root/1_5.jpg", ''/home/root/1_6.jpg", "/home/root/1_7.jpg", "/home/root/1_8.jpg", "/home/root/1_9.jpg", "/home/root/2_0.jpg", ''/home/root/2_1.jpg", "/home/root/2_2.jpg", "/home/root/2_3.jpg", ''/home/root/2_4.jpg", "/home/root/2_5.jpg", ''/home/root/2_6.jpg", "/home/root/2_7.jpg", "/home/root/2_8.jpg", "/home/root/2_9.jpg", "/home/root/3_0.jpg", ''/home/root/3_1.jpg", "/home/root/3_2.jpg", "/home/root/3_3.jpg", ''/home/root/3_4.jpg", "/home/root/3_5.jpg", ''/home/root/3_6.jpg", "/home/root/3_7.jpg", "/home/root/3_8.jpg", "/home/root/3_9.jpg", ] ------------ ດາວໂຫລດຮູບແບບ --------- `interpreter = tflite.Interpreter(model_path=MODEL_PATH) interpreter.allocate_tensors() input_details = interpreter.get_input_details() output_details = interpreter.get_output_details() ຮູບພາບ ສໍາ ລັບ Input Information input_shape = input_details[0]['shape'] # [1, H, W, C] ສູງ, width, channels = input_shape[1], input_shape[2], input_shape[3] input_dtype = input_details[0]['dtype'] # np.float32 或 np.int8 ອັດຕະໂນມັດ Quantification Parameter (if int8) ຂະຫນາດ, zero_point = input_details[0]['quantitization']` -------- ການຄາດຄະເນດິນ -------- for img_path in IMAGE_PATHS: # Open the picture and turn to RGB (3 channels) img = Image.open(img_path).convert('RGB') img = img.resize((width, height)) # Convert to numpy array img_array = np.array(img, dtype=np.float32) # If the training data is black on a white background, it can be reversed #img_array = 255 - img_array # Normalized to 0 ~ 1 img_array = img_array / 255.0 # Adjust the shape to [1, H, W, 3] img_array = img_array.reshape(1, height, width, channels) # If the model is a quantized int8, then transform if input_dtype == np.int8: img_array = img_array / scale + zero_point img_array = np.round(img_array).astype(np.int8) # Set the input interpreter.set_tensor(input_details[0]['index'], img_array) # reasoning interpreter.invoke() # Get output output_data = interpreter.get_tensor(output_details[0]['index']) predicted_label = np.argmax(output_data) print(f''picture{img_path} prediction {predicted_label}") Copy ທັງຫມົດສາມເອກະສານໃນ i.MX8MP, ເຊັ່ນດຽວກັນກັບຮູບພາບນີ້. ດາວນ໌ໂຫລດ The following command to make predictions python3 demo.py ຜົນປະໂຫຍດການຜະລິດແມ່ນນີ້: ໃນຂະນະທີ່ຮູບພາບຂອງ 3_9.jpg ແມ່ນ 9 ໃນເວລາທີ່ຮູບພາບຂອງ 3_9.jpg ແມ່ນ 7 ໃນເວລາທີ່ຮູບພາບຂອງ 3_9.jpg ແມ່ນ 9 ໃນເວລາທີ່ຮູບພາບຂອງ 3_9.jpg ແມ່ນ 7 ໃນເວລາທີ່ຮູບພາບຂອງ 3_9 ແມ່ນ 9 ໃນເວລາທີ່ຮູບພາບຂອງ jpg ແມ່ນ: ການຄາດຄະເນດຽວກັນ, ມັນສາມາດເບິ່ງວ່າຮູບແບບການຝຶກອົບຮົມໃນປັດຈຸບັນມີຄຸນນະພາບສູງແລະຍັງເຮັດວຽກດີໃນເວລາທີ່ໄດ້ຮັບການຝຶກອົບຮົມໃນ i.MX8MP.
