Computer Vision (机器视觉)

Computer Vision (机器视觉), Machine Learning(机器学习)

There are 23 posts filed in Computer Vision (机器视觉) (this is page 1 of 3).

Minimalist-Style Demo of Running Neural Networks in Web Browser

Minimalist-Style Demo of Running Neural Networks in Web Browser

This demo shows how to run a pre-trained neural networks in web-browser. The user would first download the pre-trained style transfer model to local by opening up the webpage. Then everything will get processed locally without accessing any remote resource. The user can then open-up a picture from their hard drive and click “run” to let the style transferring neural networks to do its job.

MXNet C++ Deployment

iOS上的Deployment的sample code, https://github.com/pppoe/WhatsThis-iOS, 介绍: http://haoxiang.org/2016/01/ios-mxnet-demo/ MXNet训练得到的模型有两个文件，XX.json描述网络，XX.params存网络参数。部署的时候最方便的方式是用Amalgamation: https://github.com/apache/incubator-mxnet/tree/master/amalgamation Amalgamation可以把整个MXNet里Prediction相关的代码写到一个很大的C源文件，部署的时候只需要这个C源文件和对应的一个头文件就可以了。 Sample code 在这里 https://github.com/pppoe/mxnet-Cpp-Deployment-Wrapper-Demo

mxnet里im2rec的坑

用了一下mxnet，感觉速度上确实比Tensorflow快不少。之前试过部署到Moible端[LINK]，也挺方便的。 mxnet训练的时候可以通过ImageDataIter从预处理过的rec文件里读图。rec基本上就是一个打包了label和image的大文件。用rec文件配合DataIter做训练，GPU利用率很高。 遇到两个问题，废了些时间。 1.用im2rec.py生成rec的时候，输入文件格式是，图片序号+Label+图片路径。之间必须用\t分隔，不然会有奇怪的报错。 2.im2rec.py生成图片的时候是用OpenCV读的图，然后从BGR转RGB。图读出来是HxWxC，需要转成CxHxW。不然结果自然会差很多。

Crazyflie 2.0 + Camera

最近给Crazyflie加上了Camera，挺有趣的。 之前在网上看过不少帖子讨论各种解决方案，但是始终没有发现一个简单易行的方法。 最后发现是上面这种带无线传输的一体式的摄像头最方便，重量也小，Crazyflie带着飞无压力。 Crazyflie 2.0 + Flow Deck + Camera! 从VCOM的引脚直接给摄像头供电可以利用Crazyflie本身的开关来控制Camera的开和关。摄像头除了供电以外和Crazyflie是独立的。 接下来的问题就是怎么样在另一台机器上得到Crazyflie传回的图像。因为是摄像头输出的其实是模拟信号，所以需要一个模转数的模块。这部分在很早之前做 智能轮椅 (^_^) 的时候就发现很麻烦。通常是去找一个叫Easycap的小东西，但似乎因为仿制Easycap或者是Ez-Cap的厂家太多了，所以很难找到一个真的可以兼容信号和系统的Easycap。而且Easycap只是一个模转数的模块，在此之前还需要一个多频道的无线接收器。因为这个无线接收器通常需要12V的电源，所以整套接收图像的设备非常“笨重”，而且还不一定好用… 不过所幸最近发现了一个从USB供电的一体的无线接收模转数的模块，非常棒。随便用一个带摄像头的drone试了一下: 可以直接用OpenCV读到图像！可以做CV乐！