GT 第三次会议研讨

一、较为详细的流程教程:

极市平台2020教程‘

debug平台训练及模型转换代码示例

关于模型训练测试等过程积分消耗

我们跑一个epoch 一共有220个iteration （batchsize=128的情况下），我看了下resnet18 10个iteration需要30s 一个epoch得11min 所以我估计epoch不能很大，否则我们积分消耗会过快，我目测了一下后面做dlc转换的时候一下就是100积分

二、目前进展：

1. 训练

已完成构建训练镜像并进行了epoch=50 以经典的resnet18为基础的网络训练；暂存的模型存储于2021428model中，名称为2021.04.29_model_resnet18.pkl id 1375
关于训练部分的详细流程：

前提使我们已经push了我们的代码，并在本地检查过可以运行模型注意push的时候把本地运行的路径一定要改过来

在线编码页面中，点击**构建训练镜像，进行训练代码真实运行环境的构建。构建完成后，进入开发环境中的对应赛题，点击发起训练。平台构建训练环境的依据是您在线编码目录/project/train/src_repo/下的Dockerfile文件内容。点击新建训练任务按钮，并且输入您的训练代码在linux**系统里执行的终端命令,比如bash /project/train/src_repo/start_train.sh

在trash_resnet.py中已经写了根据平台plot_tool.update_plot()的函数可以实现最后acc和loss曲线的生成，如果还有其他的去求可以添加或者直接print出来

注意主要的模型修改可以在下述.py中进行，也可以写个new_net.py之后我们Import进来

device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
print("use device :{}".format(device))
#设置随机种子
def set_seed(seed=1):random.seed(seed)np.random.seed(seed)torch.manual_seed(seed)torch.cuda.manual_seed(seed)set_seed(1)# 参数设置MAX_EPOCH = 50
BATCH_SIZE = 128
LR = 0.001
log_interval = 20
start_epoch = -1
lr_decay_step = 7# step 1/5 数据# 获取数据集文件夹下的类别文件夹名称赋值为type_list
train_dir = '../../../../home/data/'
num_classes = os.listdir(train_dir)
train_dir = os.path.join(train_dir,num_classes[0])
# 仅用于编码测试type_lst = os.listdir(train_dir)
classes = type_lst
norm_mean = [0.485, 0.456, 0.406]
norm_std = [0.229, 0.224, 0.225]train_transform = transforms.Compose([transforms.RandomResizedCrop(224),transforms.RandomHorizontalFlip(),transforms.ToTensor(),transforms.Normalize(norm_mean, norm_std),
])
# 构建MyDataset实例train_data = TrashDataset(data_dir = train_dir,transform=train_transform)
# 构建DataLoder
train_loader = DataLoader(dataset=train_data, batch_size=BATCH_SIZE, shuffle=True)# step 2/5 构建模型resnet18 = models.resnet18()
resnet18.cuda()
#加载参数
path_pretrained_model = ("models/resnet18.pth")
state_dict_load = torch.load(path_pretrained_model)
resnet18.load_state_dict(state_dict_load)#step 3/5 损失函数
criterion = nn.CrossEntropyLoss()#step 4/5 优化器
flag = 0
# flag = 1
if flag:fc_params_id = list(map(id, resnet18.fc.parameters()))     # 返回的是parameters的 内存地址base_params = filter(lambda p: id(p) not in fc_params_id, resnet18.parameters())optimizer = optim.SGD([{'params': base_params, 'lr': LR*0},   # 0{'params': resnet18.fc.parameters(), 'lr': LR}], momentum=0.9)else:optimizer = optim.SGD(resnet18.parameters(), lr=LR, momentum=0.9)fc_params_id = list(map(id, resnet18.fc.parameters()))     # 返回的是parameters的 内存地址base_params = filter(lambda p: id(p) not in fc_params_id, resnet18.parameters())optimizer = optim.SGD([{'params': base_params, 'lr': LR*0},   # 0{'params': resnet18.fc.parameters(), 'lr': LR}], momentum=0.9)
scheduler = torch.optim.lr_scheduler.StepLR(optimizer, step_size=lr_decay_step, gamma=0.1)#step 5/5 训练
train_curve = list()
train_acc = list()
for epoch in range(start_epoch + 1, MAX_EPOCH):loss_mean = 0.correct = 0.total = 0.resnet18.train()for i, data in enumerate(train_loader):# forwardinputs, labels = datainputs, labels = inputs.to(device), labels.to(device)outputs = resnet18(inputs)# backwardoptimizer.zero_grad()loss = criterion(outputs, labels)loss.backward()# update weightsoptimizer.step()# 统计分类情况_, predicted = torch.max(outputs.data, 1)total += labels.size(0)correct += (predicted == labels).squeeze().cpu().sum().numpy()# 打印训练信息loss_mean += loss.item()train_curve.append(loss.item())train_acc.append(correct / total)if (i+1) % log_interval == 0:loss_mean = loss_mean / log_intervalprint("Training:Epoch[{:0>3}/{:0>3}] Iteration[{:0>3}/{:0>3}] Loss: {:.4f} Acc:{:.2%}".format(epoch, MAX_EPOCH, i+1, len(train_loader), loss_mean, correct / total))loss_mean = 0.# if flag_m1:print("epoch:{} conv1.weights[0, 0, ...] :\n {}".format(epoch, resnet18.conv1.weight[0, 0, ...]))scheduler.step()  # 更新学习率
print('train finish!')#获取当前时间
t = time.strftime('%Y.%m.%d',time.localtime(time.time()))
# path_model = '../models/2021428models/{}_model_resnet18.pkl'.format(t)
path_model = './models/2021429_model_resnet18.pkl'
# 保存整个模型
torch.save(resnet18, path_model)#将绘制的曲线图进行可视化
def save_plot(train_curve,train_acc):train_x = list(range(len(train_curve)))train_loss = np.array(train_curve)train_acc = np.array(train_acc)train_iters = len(train_loader)fig_loss = plt.figure(figsize = (10,6))plt.plot(train_x, train_loss)plot_tool.update_plot(name='loss', img=plt.gcf())fig_loss.savefig('../result-graphs/loss.png')fig_acc = plt.figure(figsize = (10,6))plt.plot(train_x, train_acc)plot_tool.update_plot(name='acc', img=plt.gcf())fig_acc = plt.gcf()fig_acc.savefig('../result-graphs/acc.png')print('acc-loss曲线绘制已完成')# save_plot(train_curve,train_acc)

2.自动测试

为了顺利运行测试任务，我们首先得保证测试代码在本地是畅通的。

模型转换

#!/bin/bash# 在这里编写OpenVINO模型转换
# 系统会将所选择的原始模型放在目录/usr/local/ev_sdk/model下，转换后的OpenVINO模型请放在model/openvino目录下，
# 建议所有路径都使用绝对路径# 获取当前脚本的绝对路径
SCRIPT_DIR="$( cd "$( dirname "${BASH_SOURCE[0]}" )" >/dev/null 2>&1 && pwd )"source /opt/snpe/snpe_venv/bin/activate
# step 0:prepare
pip install onnx
pip install protobuf --upgrade
pip install opencv-python# step 1:to_onnx
#commit version
python3.6 /usr/local/ev_sdk/src/to_onnx.py# local version
# python3.6 /project/ev_sdk/src/to_onnx.py# step 2:generate file_list.txt
# commit version
mkdir  /usr/local/ev_sdk/pic
mkdir /usr/local/ev_sdk/raw
wget -O /usr/local/ev_sdk/pic/0.jpg https://www.baidu.com/img/bd_logo1.png# local version
# mkdir /project/ev_sdk/pic
# mkdir /project/ev_sdk/raw
# wget -O /usr/local/ev_sdk/pic/0.jpg https://www.baidu.com/img/bd_logo1.png# commit version
python3.6 /usr/local/ev_sdk/src/create_raws.py -i /usr/local/ev_sdk/pic -d /usr/local/ev_sdk/raw -s 224
python3.6 /usr/local/ev_sdk/src/create_list.py -i /usr/local/ev_sdk/raw -e *.raw# local version
# python3.6 /project/ev_sdk/src/create_raws.py -i /project/ev_sdk/pic -d /project/ev_sdk/raw -s 224
# python3.6 /project/ev_sdk/src/create_list.py -i /project/ev_sdk/raw -e *.raw# step 3:generate dlc# commit version
snpe-onnx-to-dlc --input_network /usr/local/ev_sdk/model/model_resnet18.onnx --output_path /usr/local/ev_sdk/model/model_resnet18.dlc -d input 1,3,224,224 && echo "snpe-onx-to-dlc done"
snpe-dlc-quantize --input_dlc /usr/local/ev_sdk/model/model_resnet18.dlc --output_dlc /usr/local/ev_sdk/model/model_resnet18.dlc --input_list /usr/local/ev_sdk/model/file_list.txt --input_dlc --enable_htp && echo 'snpe-dlc-quantize done'# # local version
# snpe-onnx-to-dlc --input_network /project/ev_sdk/model/model_resnet18.onnx --output_path /project/ev_sdk/model/model.dlc -d input 1,3,224,224 && echo "snpe-onx-to-dlc done"
# snpe-dlc-quantize --input_dlc /project/ev_sdk/model/model.dlc --output_dlc /project/ev_sdk/model/model_quantized.dlc --input_list /project/ev_sdk/model/file_list.txt --input_dlc --enable_htp && echo 'snpe-dlc-quantize done'# local version
# rm /project/ev_sdk/model/model.dlc# commit version
rm /usr/local/ev_sdk/model/model.dlc

**step 1:**我的代码是用pytorch写的，要先转为onnx才可以转为dlc。所以写了一个转onnx的python代码。(仅供参考)

在本地测试的时候，我是把本地训练产生的模型直接copy到ev_sdk/model文件夹下了。

import torch
import torch.onnx
#乾哥这个已经编译好了不用改了
device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")
m_path = '/usr/local/ev_sdk/model/2021.04.29_model_resnet18.pkl'
model = torch.load(m_path)
dummy_input1 = torch.randn(146,3,224,224).to(device)
input_names = [ "input"]
output_names = [ "output1" ]
# torch.onnx.export(model, dummy_input1,"/usr/local/ev_sdk/model/model_resnet18.onnx", verbose=True,input_names=input_names,output_names=output_names)
torch.onnx.export(model, dummy_input1,"/usr/local/ev_sdk/model/model_resnet18.onnx", verbose=True,input_names=input_names,output_names=output_names)
print('to_onnx is finish!')

**step 2:**生成file_list。大家可以在step 3 中看到，有一个参数是–input_list ,我们这一步就是为其生成一个文件。

大家可以看到我先建了一个文件夹，一个是pic，一个是raw。

然后下载了一张图片到pic文件夹中。为什么下载而不用/home/data/里面的图片呢？是因为平台在执行测试任务的时候没有/home/data 这个文件夹，用不了啊。我随便下了一张进行测试(是度娘的logo)。

接下来执行create_raws.py(这个是从/opt/snpe/models/Inception v3/scripts/ 里copy过来的)，它的目的是将参数（-i）这个文件夹里面的内容转换为 (.raw)文件并输出到参数（-d）文件夹，参数-s是指你要将图片resize的大小，要跟你模型的输入大小匹配。大家可以根据需要对代码进行修改，保证raw文件的维度正确。

最后一步就是运行create_list.py(跟create_raws.py同一个位置copy过来的)将raw文件夹里面内容生成一个file_list文件，这个文件的内容是.raw文件的绝对路径。参数-i 就是说raw文件保存的位置,参数-e是指具体的文件类型，这个参数的默认值是.jpg。

create_craw.py

import argparse
import numpy as np
import osfrom PIL import ImageRESIZE_METHOD_ANTIALIAS = "antialias"
RESIZE_METHOD_BILINEAR  = "bilinear"def __get_img_raw(img_filepath):img_filepath = os.path.abspath(img_filepath)img = Image.open(img_filepath)img_ndarray = np.array(img) # read itif len(img_ndarray.shape) != 3:raise RuntimeError('Image shape' + str(img_ndarray.shape))if (img_ndarray.shape[2] != 3):raise RuntimeError('Require image with rgb but channel is %d' % img_ndarray.shape[2])# reverse last dimension: rgb -> bgrreturn img_ndarraydef __create_mean_raw(img_raw, mean_rgb):if img_raw.shape[2] != 3:raise RuntimeError('Require image with rgb but channel is %d' % img_raw.shape[2])img_dim = (img_raw.shape[0], img_raw.shape[1])mean_raw_r = np.empty(img_dim)mean_raw_r.fill(mean_rgb[0])mean_raw_g = np.empty(img_dim)mean_raw_g.fill(mean_rgb[1])mean_raw_b = np.empty(img_dim)mean_raw_b.fill(mean_rgb[2])# create with c, h, w shape firsttmp_transpose_dim = (img_raw.shape[2], img_raw.shape[0], img_raw.shape[1])mean_raw = np.empty(tmp_transpose_dim)mean_raw[0] = mean_raw_rmean_raw[1] = mean_raw_gmean_raw[2] = mean_raw_b# back to h, w, cmean_raw = np.transpose(mean_raw, (1, 2, 0))return mean_raw.astype(np.float32)def __create_raw_incv3(img_filepath, mean_rgb, div, req_bgr_raw, save_uint8):img_raw = __get_img_raw(img_filepath)mean_raw = __create_mean_raw(img_raw, mean_rgb)snpe_raw = img_raw - mean_rawsnpe_raw = snpe_raw.astype(np.float32)# scalar data dividesnpe_raw /= divif req_bgr_raw:snpe_raw = snpe_raw[..., ::-1]if save_uint8:snpe_raw = snpe_raw.astype(np.uint8)else:snpe_raw = snpe_raw.astype(np.float32)img_filepath = os.path.abspath(img_filepath)filename, ext = os.path.splitext(img_filepath)snpe_raw_filename = filenamesnpe_raw_filename += '.raw'snpe_raw.tofile(snpe_raw_filename)return 0def __resize_square_to_jpg(src, dst, size,resize_type):src_img = Image.open(src)# If black and white image, convert to rgb (all 3 channels the same)if len(np.shape(src_img)) == 2: src_img = src_img.convert(mode = 'RGB')# center crop to squarewidth, height = src_img.sizeshort_dim = min(height, width)crop_coord = ((width - short_dim) / 2,(height - short_dim) / 2,(width + short_dim) / 2,(height + short_dim) / 2)img = src_img.crop(crop_coord)# resize to inceptionv3 sizeif resize_type == RESIZE_METHOD_BILINEAR :dst_img = img.resize((size, size), Image.BILINEAR)else :dst_img = img.resize((size, size), Image.ANTIALIAS)# save output - save determined from file extensiondst_img.save(dst)return 0def convert_img(src,dest,size,resize_type):print("Converting images for resnet 18 network.")print("Scaling to square: " + src)for root,dirs,files in os.walk(src):for jpgs in files:src_image=os.path.join(root, jpgs)if('.jpg' in src_image):print(src_image)dest_image = os.path.join(dest, jpgs)__resize_square_to_jpg(src_image,dest_image,size,resize_type)print("Image mean: " + dest)for root,dirs,files in os.walk(dest):for jpgs in files:src_image=os.path.join(root, jpgs)if('.jpg' in src_image):print(src_image)mean_rgb=(128,128,128)__create_raw_incv3(src_image,mean_rgb,128,False,False)def main():parser = argparse.ArgumentParser(description="Batch convert jpgs",formatter_class=argparse.ArgumentDefaultsHelpFormatter)parser.add_argument('-d', '--dest',type=str, required=True)parser.add_argument('-s','--size',type=int, default=299)parser.add_argument('-i','--img_folder',type=str, required=True)parser.add_argument('-r','--resize_type',type=str, default=RESIZE_METHOD_BILINEAR,help='Select image resize type antialias or bilinear. Image resize type should match ''resize type used on images with which model was trained, otherwise there may be impact ''on model accuracy measurement.')args = parser.parse_args()size = args.size
#     src = args.img_foldersrc = os.path.abspath(args.img_folder)dest = os.path.abspath(args.dest)resize_type = args.resize_typeassert resize_type == RESIZE_METHOD_BILINEAR or resize_type == RESIZE_METHOD_ANTIALIAS, \"Image resize method should be antialias or bilinear"convert_img(src,dest,size,resize_type)if __name__ == '__main__':exit(main())

create_list.py

import argparse
import glob
import osdef create_file_list(input_dir, output_filename, ext_pattern, print_out=False, rel_path=False):input_dir = os.path.abspath(input_dir)output_filename = os.path.abspath(output_filename)output_dir = os.path.dirname(output_filename)if not os.path.isdir(input_dir):raise RuntimeError('input_dir %s is not a directory' % input_dir)if not os.path.isdir(output_dir):raise RuntimeError('output_filename %s directory does not exist' % output_dir)glob_path = os.path.join(input_dir, ext_pattern)file_list = glob.glob(glob_path)if rel_path:file_list = [os.path.relpath(file_path, output_dir) for file_path in file_list]if len(file_list) <= 0:if print_out: print('No results with %s' % glob_path)else:with open(output_filename, 'w') as f:f.write('\n'.join(file_list))if print_out: print('%s created listing %d files.' % (output_filename, len(file_list)))def main():parser = argparse.ArgumentParser(description="Create file listing matched extension pattern.",formatter_class=argparse.ArgumentDefaultsHelpFormatter)parser.add_argument('-i', '--input_dir',help='Input directory to look up files.',default='.')parser.add_argument('-o', '--output_filename',help='Output filename - will overwrite existing file.',default='file_list.txt')parser.add_argument('-e', '--ext_pattern',help='Lookup extension pattern, e.g. *.jpg, *.raw',default='*.jpg')parser.add_argument('-r', '--rel_path',help='Listing to use relative path',action='store_true')args = parser.parse_args()create_file_list(args.input_dir, args.output_filename, args.ext_pattern, print_out=True, rel_path=args.rel_path)if __name__ == '__main__':main()

**step 3:**生成dlc

有一个要注意的点是这个-d参数它的输出是两个值，一个是输入节点名称，一个是大小。输入节点名称要跟onnx的一样，然后确保输入的大小正确(pytorch是NCHW)。

编写ji.py(目前还有问题，仍旧是调用gpu)

from __future__ import print_function
import logging as log
import logging
import json
import os
import torch
import cv2
import numpy as nplog.basicConfig(level = log.DEBUG)
f = open('class.txt','r')
a = f.read()
label_id_map = eval(a)
f.close()
logging.info(label_id_map)
print('logging is finish!')
# def init():
# #     save_model = "/usr/local/ev_sdk/model/"
# #     save_model = "/project/ev_sdk/models/"
#     if not os.path.isfile(save_model):
#         log.error(f"{model_pb_path} does not exist")#     m_path = '/usr/local/ev_sdk/model/2021429_model_resnet18.pkl'
#     model = torch.load(m_path)
#     log.info('Initializing model...')
#     model = model.cuda()
#     return model# def process_image(net,input_image,args=None):
#     img = cv2.resize(input_image,(256,256)).astype(np.float32)
#     img = img.transpose(2,0,1)
#     img = cv2.normalize(img,None)
#     img = torch.tensor([img]).cuda()
#     output = net(input_image)
#     data = {'class':label_id_map[int(output[0])]}
#     return json.dumps(data, indent=4)def init():os.system("bash /usr/local/ev_sdk/src/convert_model.sh")path = "/usr/local/ev_sdk/src"if not os.path.exists(os.path.join(path,"pic")):os.makedirs(os.path.join(path,"pic"))if not os.path.exists(os.path.join(path,"raw")):os.makedirs(os.path.join(path,"raw"))if not os.path.exists(os.path.join(path,"output")):os.makedirs(os.path.join(path,"output"))save_model = "/usr/local/ev_sdk/model/model_resnet18.dlc"return save_modeldef process_image(save_model,input_image,args=None):cv2.imwrite("/usr/local/ev_sdk/src/pic/0.jpg",input_image)convert_img("/usr/local/ev_sdk/src/pic/","/usr/local/ev_sdk/src/raw/",224,RESIZE_METHOD_BILINEAR)cmd = ['snpe-net-run','--input_list', "/usr/local/ev_sdk/src/input_list.txt",'--container',"/usr/local/ev_sdk/model/model_resnet18.dlc",'--output_dir',"/usr/local/ev_sdk/src/output"]# '--output_dir',"/usr/local/ev_sdk/src/output","--use_dsp","--platform_options", "unsignedPD:ON"]subprocess.call(cmd)# assert os.path.exists("/usr/local/ev_sdk/src/output/Result_0/output1.raw")float_array = np.fromfile("/usr/local/ev_sdk/src/output/Result_0/output1.raw", dtype=np.float32)  ## 读取这个文件内容max_prob = max(float_array)max_prob_index = np.where(float_array == max_prob)[0][0]data = {'class':label_id_map[max_prob_index]}return json.dumps(data, indent=4)if __name__ == '__main__':"""Test python api"""# img = cv2.imread('/usr/local/ev_sdk/data/dog.jpg')img = np.random.randn(224,224,3)predictor = init()result = process_image(predictor, img)logging.info(result)

重点是执行了snpe-net-run，它的输入是一个list文件，里面是raw文件的路径，container是模型位置，output_dir是输出文件的位置。最后从输出文件里读取结果。这个版本测试一次消耗了100个积分，并且成绩跟上一个版本完全一样，用的gpu。

三、进一步工作的计划

五一期间修改一版新的网络替换resnet18，首先通过本地的测试，（目前我手头有10分类的图像数据，验证网络在性能，train的时间和准确率上都能够优于resnet18（如果在这个数据集上也可，泛化能力也理应有更好的体现）
为了更快的实现网络迭代更新，五一收假的那一天我们集中讨论一下各自看到文献，归纳出其有价值的点，最好能够在经典的mnist或者cifar10上面复现；
着力解决性能方面的问题，目前还没有解决gpu to dsp的问题，性能分会大打折扣。

2021高通AI应用创新大赛-创新赛道-垃圾分类识别第三次会议研讨相关推荐

2021高通AI应用创新大赛-创新赛道-垃圾分类识别第二次讨论会
GT第二次讨论会时间:2021/4/24 20:00 极市平台一.目前已完成工作: 编码调试(已完成) 目前的模型使用的是resnet152,使用的比赛官方提供的预训练模型,在100张图片99类的 ...
最高10万奖励！不限选题！高通AI应用创新大赛应用赛道详解
由高通技术公司.高通创投主办,极视角.小米.中科创达.CSDN共同协办,TensorFlow Lite作为开源技术合作伙伴的"2021高通人工智能应用创新大赛"已于3月24日正式开 ...
重磅！2021 高通人工智能应用创新大赛今日开赛
由高通技术公司.高通创投主办,极视角.小米.中科创达.CSDN共同协办,TensorFlow Lite作为开源技术合作伙伴的"2021高通人工智能应用创新大赛"于今日正式开赛. 依 ...
2021高通人工智能应用创新大赛--创新赛道-决赛阶段小结
20212021高通人工智能应用创新大赛–创新赛道-决赛阶段小结一.APP开发应用的问题目前开发的基于高通SNPE技术的安卓APP,功能部分尚且只能实现封装好的图片进行识别,距离拍照和调用相册进行 ...
抚州市委宣传部一行莅临红谷滩区·高通中国·影创联合创新中心考察调研
10月15日上午,抚州市委常委.宣传部部长肖承贵一行莅临红谷滩区·高通中国·影创联合创新中心考察调研,南昌市委宣传部副部长万晓东,红谷滩区委常委.宣传部长邓越峰等陪同考察.江西影创总经理陆志佳介绍了联 ...
中宣部舆情信息局副局长吴玉荣一行调研红谷滩区·高通中国·影创联合创新中心
10月12日下午,中宣部舆情信息局副局长吴玉荣等一行莅临红谷滩区·高通中国·影创联合创新中心指导工作,省委宣传部常务副部长郭建晖.省委宣传部意识形态工作处副处长王娟等领导陪同调研.江西影创总经理陆志佳 ...
中国民主同盟顺德区委员会莅临红谷滩区·高通中国·影创联合创新中心调研
10月23日,民盟顺德区委主委宋炜一行莅临红谷滩区·高通中国·影创联合创新中心调研.详细了解联合创新中心的产业布局.行业地位以及战略规划.宋炜主委连连称赞,表示对联合创新中心的先进设备和创新技术印象深 ...
中国井冈山干部学院莅临红谷滩区·高通中国·影创联合创新中心考察调研
10月28日上午,中国井冈山干部学院副院长柯华一行莅临红谷滩区·高通中国·影创联合创新中心考察调研,南昌市委副秘书长吴志强.南昌市委党校常务副校长陶东阳,红谷滩区委副书记万晓娟陪同调研.联合创新中心负 ...
两虚拟现实科技学会莅临红谷滩区·高通中国·影创联合创新中心调研交流
10月21日上午,长春市虚拟现实与增强现实学会秘书长李菁,黑龙江省虚拟现实科技学会秘书长.黑龙江省VR产业联盟理事长项征莅临红谷滩区·高通中国·影创联合创新中心调研交流,联合创新中心负责人刘知艳.江西 ...

2021高通AI应用创新大赛-创新赛道-垃圾分类识别第三次会议研讨

GT 第三次会议研讨

一、较为详细的流程教程:

二、目前进展：

1. 训练

2.自动测试

三、进一步工作的计划

2021高通AI应用创新大赛-创新赛道-垃圾分类识别第三次会议研讨相关推荐

最新文章

热门文章

2021高通AI应用创新大赛-创新赛道-垃圾分类识别 第三次会议研讨

GT 第三次会议研讨

一、较为详细的流程教程:

二、目前进展：

1. 训练

2.自动测试

三、进一步工作的计划

2021高通AI应用创新大赛-创新赛道-垃圾分类识别 第三次会议研讨相关推荐

最新文章

热门文章

2021高通AI应用创新大赛-创新赛道-垃圾分类识别第三次会议研讨

2021高通AI应用创新大赛-创新赛道-垃圾分类识别第三次会议研讨相关推荐