Pytorch图像分类模型部署-ONNX Runtime本地终端推理
合集 · 两天搞定人工智能毕业设计之【图像分类】 (16)
-
构建自己的图像分类数据集【两天搞定AI毕设】
35:07
-
Pytorch预训练图像分类模型识别预测【两天搞定AI毕设】
37:55
-
Pytorch迁移学习训练自己的图像分类模型【两天搞定AI毕设】
51:15
-
用训练得到的pytorch图像分类模型,识别图像、视频、摄像头画面【两天搞定AI毕设】
16:46
-
测试集上评估Pytorch训练得到的图像分类模型【两天搞定AI毕业设计】
24:49
-
图像分类测试集语义特征降维可视化
30:20
-
图像分类可解释性分析实战-CAM热力图系列算法
46:34
-
图像分类可解释性分析实战-Deep Feature Factorization
10:50
-
图像分类可解释性分析实战-Captum工具包
13:12
-
图像分类可解释性分析实战-shap工具包
49:01
-
图像分类可解释性分析实战-lime工具包
14:58
-
图像分类模型部署-Pytorch转ONNX
16:41
-
Pytorch图像分类模型部署-ONNX Runtime本地终端推理
23:01
-
Pytorch图像分类部署-ONNX Runtime安卓手机APP
16:33
-
Pytorch图像分类部署-ONNX Runtime浏览器Web前端
6:04
-
AidLux图像分类部署-安卓鸿蒙高通ARM
34:14
Description
【同济子豪兄】两天搞定图像分类毕业设计 代码教程:https://github.com/TommyZihao/Train_Custom_Dataset 前面的视频中,我们已构建了自己的30类图像分类数据集,用Pytorch迁移学习训练得到自己的图像分类模型。但原生Pytorch模型的推理预测速度慢,且无法完美兼容适配在各种终端硬件设备上。 上一讲视频,将Pytorch模型库预训练ImageNet模型,和自己训练得到的水果分类模型,转换为机器学习通用中间格式ONNX。 本讲视频,使用推理框架ONNX Runtime,在本地PC端部署ONNX模型,执行单张图像、视频文件、摄像头实时画面的推理预测。经实测,推理速度比原生Pytorch模型提升五倍以上。 【答疑交流、定制开发】 两天搞定图像分类毕业设计答疑交流微信群,公众号 人工智能小技巧 回复 图像分类 开发需求:手机APP、微信小程序、网页开发、服务器部署,公众号 人工智能小技巧 回复 定制开发 加东哥微信 OpenMMLab算法库,MMClassification(MMPretrain)、MMDeploy大佬交流,加喵喵微信 OpenMMLabwx(备注:来自子豪兄部署教程)
Comments
黄瓜、香蕉都容易坏,测试完了得赶紧吃了
♥ 32 ↩ 4
懂了 up的脸像西红柿
♥ 22 ↩ 2
能不能[doge]让它检测下这个鸭脖
♥ 18 ↩ 1
求救 pytorch部署到tensorRT 在c++上运行
♥ 10
这也能当毕设吗?工作量不够吧
♥ 9 ↩ 2
你好,听说大部分部署的时候用的是C++,能不能到时候讲一下如何用C++写好之后打包成EXE文件啊?
♥ 7 ↩ 2
催更子豪学长啦,Jetson nano 和树莓派的部署,期待早日出视频呀
♥ 6
请问gpu推理是否需要单独的onnxruntime-gpu包啊?还是直接onnx runtime
♥ 4 ↩ 1
本地部署,还是要有完整的python呀,这种部署和直接在Python有啥区别呢?
♥ 3 ↩ 3
关键点检测的模型部署啥时候出啊[打call]
♥ 3 ↩ 1
如果是yolo模型也能这样么,还是需要做些额外处理[星星眼]
♥ 3 ↩ 2
这是为啥呀
♥ 2
跪求大佬更新jetson nano部署方法
♥ 2
求开发板部署
♥ 2
谢谢up,很有用
♥ 2
擦,大哥
♥ 2
啊啊啊,太有用了,蹲一个nano的部署。
♥ 1
我在运行plt.imshow() plt.show()时总是内核崩溃,后来发现前面加入这两句就会好,import os os.environ【'KMP_DUPLICATE_LIB_OK'】='True'
♥ 1 ↩ 2
三连!
♥ 1
根据AI判断,博主的脑袋,最像西红柿。
♥ 1