学做前端的网站网站 搜索 关键字 description

学做前端的网站,网站 搜索 关键字 description,qqip.探测网站建设,电子商务网站建设 教学ppt说真的#xff0c;作为一个整天跟代码打交道的“程序猿”#xff0c;最幸福的时刻莫过于下班后面对那一桌热气腾腾的家常菜。那天我看着盘子里的小炒肉#xff0c;脑子里突然蹦出一个念头#xff1a;要是我的开发板也能认出这些美味#xff0c;那不就有意思了#xff1f;…说真的作为一个整天跟代码打交道的“程序猿”最幸福的时刻莫过于下班后面对那一桌热气腾腾的家常菜。那天我看着盘子里的小炒肉脑子里突然蹦出一个念头要是我的开发板也能认出这些美味那不就有意思了说干就干我花了点时间基于最新的YOLOv11框架在RK3576板子上跑通了一个自定义菜品识别的小 Demo。今天不跟大家扯那些干巴巴的官方文档咱们就聊聊我是怎么一步步教 AI “认菜”的。1. 数据才是硬道理很多人问我训练模型最难的是什么说实话不是写代码而是给 AI 准备“口粮”。为了让模型认出“小炒肉”、“西红柿炒蛋”和“米饭”我那天下午简直成了职业摄影师。我左手拿铲子右手拿手机围着几盘菜转了不知多少圈。我有几个私藏的避坑指南你们一定要听千万别拍一段视频直接抽帧。视频帧之间太像了会导致模型“死记硬背”过拟合。我坚持手动抓拍保证每一张照片的构图都有所不同。真实场景里哪有完美的柔光灯我故意关掉大灯只开个昏暗的抽油烟机灯或者在菜吃到一半、盘子乱七八糟时拍摄。别因为爱吃肉就拍 500 张小炒肉结果米饭只拍了 20 张。这样模型会“偏科”的到时候它看啥都觉得是肉。最后我给每道菜都准备了大概 200 来张照片涵盖了各种刁钻的角度甚至还有吃到一半、只剩半盘的残羹冷炙。2. 框到眼花这活儿急不得照片拍好了接下来就是最考验耐心的“打标签”环节。我用的是Label Studio这工具挺好使。在那几个小时里我的世界只剩下画框和点鼠标。每一个“西红柿炒蛋”我都仔细框好心里还得默念这是 Tomato_Eggs那是 Chili_Pork。你知道吗当你框到第 300 张的时候看那些像素块都觉得在冒香气。标签命名建议用英文比如 Chili_Pork、Tomato_Eggs、Rice。细心程度标注质量直接决定了天花板。如果框得太松模型会把盘子也当成菜的一部分。导出格式直接选择 YOLO 格式它会生成一堆 .txt 文件里面记录了每个框的坐标。3.从数据到 YOLOv11 模型的蜕变有了照片和标签接下来就是最激动人心的“闭关修炼”阶段。这一步我们要把几百张散乱的照片炼成一个懂吃的“数字大脑”。训练 AI 需要消耗极大的算力和内存。在这次实操中我用的是临滴的3576开发板确保训练过程像德芙一样丝滑。在 Linux 系统上使用 Conda 构建一个纯净的 Python 3.10 环境并安装最新的 YOLOv11 框架。按照标准结构组织了目录将训练的照片严格按照8:2的比例划分为训练集和验证集注意标签文件名必须和图片名保持一样。我们需要写一个 data.yaml 来指路。定义了 3 个类别小炒肉 (Chili_Pork)、米饭 (Rice) 和西红柿炒蛋 (Tomato_Eggs)。再写一个train.py训练程序。经过120轮耗时1.07小时的训练训练去除了优化器参数后得到的模型只有 5.5MB。对于 RK3576 这种嵌入式设备来说这个体量非常友好预示着它在板子上运行时会非常省内存。RK3576的6TOPS算力处理这种6.3GFLOPs的模型可以跑出非常高的帧率。mAP50-95 达到了惊人的 0.964 这意味着模型对小炒肉、米饭和西红柿炒蛋的识别准确度已经达到了“职业食评人”的水准。训练出的模型虽好但直接塞给开发板并不是最优解。为了让 RK3576 的 NPU 跑得更丝滑我用 Rockchip官方优化版 的工具ultralytics_yolo11进行了 ONNX 导出。验证ONNX模型best.onnx在 384x640 的分辨率下单张图片推理仅需 59.3ms。4.将模型转换翻译给RK3576普通 YOLOv11 导出的 ONNX 带有大量的后处理如 NMS 非极大值抑制、DFL 解码这些算子在 NPU 上运行效率极低。使用RK官方转换Python程序 rknn_model_zoo配置好量化数据将ONNX模型文件转换成RKNN文件。核心逻辑加载ONNX模型。在目标板子上使用 rknn_model_zoo 仓库中的 C/C 示例进行部署。修改类别数量 编辑 postprocess.h 文件将目标检测的类别数从默认的 80 类改为我们的 3 类更新标签文件 替换 coco_80_labels_list.txt 为我们的 3 个菜品标签编译与执行 编译推理程序并使用 RKNN 模型和测试图片运行推理。顺便把标签文件里的名字也换成咱们的小炒肉和米饭。看着那一碗白米饭被 AI 精准框住我突然觉得技术不应该是冰冷的。如果你在折腾 RK3576 时也遇到了“环境配置难”、“转换模型报错”或者“识别率低”的问题别灰心这都是必经之路。你可以参考临滴Wiki1. Custom Food Detect Demo | Neardi里面有更详尽的 C 代码实现细节。