《边缘智能计算应用》课件 项目五 基于TFLite的手掌检测模型部署.pptx

项目五基于TFLite的手掌检测模型部署

;项目引导案例;项目引导案例;任务一基于TFLite的Mediapipe模型文件转RKNN模型文件;;;;;;;任务计划表;;;MediaPipe是一款由Google开发并开源的数据流处理机器学习应用开发框架。它是一个基于图的数据处理管线，用于构建使用了多种形式的数据源，如视频、音频、传感器数据以及任何时间序列数据。;04;04;04;04;04;04;04;04;04;;rknn简介;;04;04;04;04;04;04;04;04;04;04;;;05;05;;05;05;05;05;05;05;;05;05;;;;任务小结;;任务拓展;谢谢大家学习;项目五基于TFLite的手掌检测模型部署

;任务二基于rknn的手掌检测;;;;;;;任务计划表;;04;04;04;04;04;04;04;04;04;04;04;04;非极大值抑制，简称为NMS算法，英文为Non-MaximumSuppression。其思想是搜素局部最大值，抑制非极大值。NMS算法在不同应用中的具体实现不太一样，但思想是一样的。;目标检测的过程中在同一目标的位置上会产生大量的候选框，这些候选框相互之间可能会有重叠，此时我们需要利用非极大值抑制找到最佳的目标边界框，消除冗余的边界框。;而非极大值移植就是选择其中置信度最大，并去除像素点较少的框。;非极大值抑制，在计算机视觉任务中得到了广泛的应用，例如边缘检测、人脸检测、目标检测（DPM，YOLO，SSD，FasterR-CNN）等。;04;图像的几何变换主要包括：平移、缩放、旋转、仿射、透视等等。图像变换是建立在矩阵运算基础上的，通过矩阵运算可以很快的找到不同图像的对应关系。;图像的几何变换主要分为三类：刚性变换、仿射变换和透视变换。;仿射变换是建立在转至矩阵叉乘基础上以实现图像的平移、缩放、旋转、仿射、透视变换的方法。;04;我们先探究一个问题;04;04;04;;05;05;05;05;05;05;05;05;05;05;05;05;05;05;05;;;;任务小结;;任务拓展;谢谢大家学习;项目五基于TFLite的手掌检测模型部署

;任务三手掌检测在嵌入式设备中的部署和运行;;;;;;任务分析;任务计划表;;;04;04;04;04;04;04;04;;MediaPipeHands是一种高保真手和手指跟踪解决方案，它采用机器学习（ML）仅从单个帧中推理出手部的21个3D坐标;当前最先进的方法主要依赖于强大的算力，而使用MediaPipe提供的解决方案实现了在手机上进行实时检测的性能，甚至可以同时辨识到多只手。;MediaPipe框架将在未来被广泛地研发，更多的开发者也将加入到此行列中对手部识别和模拟应用进行开发。;;在计算机视觉领域中，手势识别被广泛应用于人机交互、手语识别等场景中，而手势识别依赖于手部关键点检测，并且随着移动终端和移动互联网的普及，手势识别也广泛应用于移动终端中。;04;04;04;04;04;04;04;;05;05;05;05;05;05;05;05;05;05;;;;任务小结;;任务拓展;谢谢大家学习