【发布时间】：2017-02-20 21:48:42
【问题描述】：
是否可以在树莓派 3 上运行 SSD 或 YOLO 对象检测来检测活体对象（2/4 帧 x 秒）？
我已经在 python 中尝试了这个SSD 实现，但它每帧需要 14 秒。
【问题讨论】：
标签： machine-learning deep-learning solid-state-drive yolo
【发布时间】：2017-02-20 21:48:42
【问题描述】：
我最近开始为我的一个项目研究对象检测，并想知道是否遗漏了一些东西来让东西落地。
我想在树莓派 3 上实现一个实时对象检测系统，用于监视花园等开放空间。我已经尝试了一些可用的解决方案。我不需要检测很多类（只有 3 个人、狗、自行车），所以也许可以用更少的过滤器和参数重新训练最快的选项，从而减少总计算时间。
Darknet(YOLO) [https://github.com/pjreddie/darknet] 已安装默认暗网测试 YOLOv2 和 YOLO 在树莓派 pi3 上运行，每帧每张图像运行约 450 秒。 Tiny YOLO 每张图片运行了 40 秒。
Tensorflow Google 对象检测 (API)[https://github.com/tensorflow/models/blob/master/object_detection/g3doc/installation.md]：我已经尝试了所有可用的网络。表现最好的是 SSD inception 网络，每张图像运行 26 秒。
Microsoft 嵌入式学习库 (ELL)[https://github.com/Microsoft/ELL]：由于某些编译原因，我无法让它工作，但稍后会尝试再次检查。请让我知道这是否适合您以及它在对象检测任务中的表现。
Darknet-NNPACK[https://github.com/thomaspark-pkj/darknet-nnpack]：这里的暗网针对 arm 处理器进行了优化，并通过某种 FFT 实现实现了卷积，从而大大提高了速度。
我从中获得了最大的希望，但它也有问题。
已安装的暗网测试 YOLO（完整 v1）在 Raspberry Pi3 上运行，每个图像大约需要 45 秒，比默认的 YOLO 网络快 10 倍。 Tiny YOLO 每帧运行了 1.5 秒，但没有给出任何结果。
这可能是由于模型和 cfg 文件之间的版本冲突而报告的错误。我已经打开了一个 github（问题）[https://github.com/thomaspark-pkj/darknet-nnpack/issues/13] 不久前还没有收到回复。
MXnet (SSD)[https://github.com/zhreshold/mxnet-ssd]：Mxnet 中 SSD 的端口（未使用 NNPACK 编译）MXnet SSD resnet 50 每个图像 88 秒 MXnet SSD inceptionv3 每个图像 35 秒
Caffe-YOLO[https://github.com/yeahkun/caffe-yolo]：在 yolo_small 上运行 caffe，每帧需要 24 秒。在 yolo_tiny 上运行 caffe 每帧需要 5 秒。除非可以解决 darknet-nnpack 问题，否则这看起来是我尝试过的最快的。
【讨论】：
-
这些值无关紧要。如果一个模型每张图像花费的时间超过 1 秒，那就无关紧要了。你到底为什么要尝尝Full Yolo或覆盆子！？
我设法在树莓派上运行 MobileNetSSD 并获得大约 4-5 fps 的问题是您可能会获得大约 80-90% 的 pi 资源，从而导致相机 RSTP 连接在大量活动期间失败并丢失大量帧并在帧上获得大量伪影，所以我不得不购买 NCS 棒并将其插入 pi，现在我可以达到 4 fps，但 pi 资源非常低，约为 30%。 带有 mobilenet ssd 的 ncs 处理一张图片大约需要 0.80 秒。
【讨论】：
-
.8 秒每张图像 = 1.2 fps。我不确定你是怎么到 4 的？
-
我只处理有运动的图像，你为什么要处理静态视频源。 VPU 没有任何可以 24/7 运行的标签。我什至问过他们的社区，他们最好不要 24/7 运行它
一种选择是使用 Movidius NCS，只有在模型小得多的情况下才使用 raspberry。
关于 NCS 的实施： 您应该能够让 Mobilenet-SSD 以 ~8fps 的速度运行。有一些适用于简单用例的示例。我目前正在使用与 Darknet 参考模型类似的对象检测器，它在 NCS 上以 ~15fps 的速度运行，但由于该模型尚不可用。 一旦它运行良好，我会开源它。
【讨论】：