开发者社区

文档建议反馈控制台

最新优惠活动

文章/答案/技术大牛

发布

覆盆子猪上的SSD或YOLO

覆盆子猪上的SSD是指在覆盆子猪（Raspberry Pi）这个单板计算机上使用SSD（Solid State Drive）作为存储设备的情况。SSD是一种使用闪存存储芯片而非传统机械硬盘的存储设备，具有读写速度快、噪音低、耐用性强等优势。

SSD可以通过SATA接口或者USB接口连接到覆盆子猪上，提供更快的数据传输速度和更稳定的存储性能。相比于传统的机械硬盘，SSD具有更快的启动速度、文件读写速度和应用程序响应速度，可以显著提升覆盆子猪的整体性能。

覆盆子猪上使用SSD的应用场景包括但不限于：

数据存储和备份：SSD提供更可靠的数据存储和备份解决方案，可以用于存储重要的文件、数据库、应用程序等。
媒体中心：SSD的高速读取能力使得覆盆子猪可以作为媒体中心，流畅地播放高清视频和音频文件。
个人云存储：通过搭建云存储服务，将覆盆子猪连接到互联网，可以实现个人文件的远程访问和共享。
物联网设备：SSD的高性能和稳定性使得覆盆子猪可以作为物联网设备的控制中心，处理和存储传感器数据。

腾讯云提供了适用于覆盆子猪的云产品，例如云服务器（ECS）和云硬盘（CVM），可以满足不同应用场景下的存储需求。您可以访问腾讯云官网（https://cloud.tencent.com/）了解更多关于这些产品的详细信息和使用指南。

相关搜索:无法在覆盆子猪上安装kivy 永久改变覆盆子猪的末端颜色覆盆子猪上的多个加速度计如何在覆盆子猪上安装用于python3的pocketsphinx SSD (单发检测)或Yolo实施，支持swift中的对象跟踪 optomax数字液体传感器-用于覆盆子猪的python 将1366x768 HDMI显示器连接到覆盆子猪上 arduino无法打开覆盆子猪的红外线传感器覆盆子猪单核细胞中Microsoft.CSharp.Core.targets的发育提取猪上袋子中的元组元素覆盆子pi上的电子透明窗口(4)如何更改树莓猪上的spidev的缓冲区大小 Yolo或一般情况下的增量学习错误的批注:x= 0，y= 0，<0或>1，带YOLO 基于Spark处理存储在SSD上的数据覆盆子pi 3上的ftrace + addr2line 覆盆子Pi 3上的SPI_IOC_MESSAGE(N)覆盆子Pi 3b上带Postgres的Keycloak tiny-yolo-v3在GPU上的推理时间覆盆子pi 3b+中tensorflow 1.14上的TFLiteConverter

相关搜索:

页面内容是否对你有帮助？

有帮助

没帮助

相关·内容

如何建立您的第一个机器人

如果您是Raspberry Pi的初学者，并且正在寻找一个简单的硬件项目，那么不就对了。本教程将向您展示开发一种基于python的机器人，避免障碍物和自由导航。障碍避免机器人是相当普遍和容易。在这里，您可以使用该项目将对象避免功能添加到您的机器人。或者只是使用它来开始混淆Python和Raspberry Pi上的硬件外设。该系统使用IR模块来检测物体，但是稍后我们将进入技术方面。所以，如果你有一个raspberry pi，并希望建立一个基于硬件使用它的东西，只需向下滚动，玩得开心:)。查看底部的视频，看看

专属| 研究人员发现新型CPU攻击

近日，研究人员发现了 Spectre CPU 漏洞的一种新变种，能通过基于浏览器的代码利用。研究人员使用 Firefox 的 JavaScript 引擎 SpiderMonkey 52.7.4 对英特尔的 Haswell 和 Skylake 处理器，以及 AMD 的 Ryzen 处理器成功执行了 SplitSpectre 攻击。不过用户无需担心，现有的 Spectre 缓解方法也能阻止 SplitSpectre 攻击。

01

一张色环图教你搞定配色_24色环颜色调配图

不管是在平面设计或网页制作中，还是在平常生活中的衣服穿搭和室内装潢中，要想打造出非凡的视觉效果，合理的颜色搭配非常重要。下面介绍几种色彩搭配方案供您参考，让你轻易地一靶中的。

02

专属| FakeKMS伪装成激活工具

近期，安全研究员通过Twitter发布警告称，一种新发现的恶意软件目前正通过垃圾电子邮件活动在全球范围内。该恶意软件将自己伪装成一款很受欢迎的开源压缩软件PeaZip，实际上它是一个远程控制木马。该木马在运行之后可以执行大量的恶意行为，还可根据从命令和控制服务器接收到的指令下载文件、运行脚本等，甚至还可被控制的计算机作为跳板，对其它目标发起DDoS等网络攻击。

01

什么是色彩心理学？（前端必备）

今天就和大家来聊聊什么是色彩心理学，为什么要了解这块呢，由于色彩在传递信息、创造某些情绪，甚至影响人们做出的决定方面可以发挥重要作用。鉴于 90% 的快照判断仅受颜色的心理影响，因此了解颜色的含义以及它们能引起哪些反应非常重要。然后，您可以选择您想要展示的外观，无论是个人还是专业，以获得您想要的结果。

02

用于ARM和Debian的ROS Docker镜像

1 Using ROS with Docker in macOS： https://www.xiaokeyang.com/blog/using_ros_with_docker_in_macos

02

「π」里藏着所有人的银行卡密码和生日？

导读：3月14日是圆周率节，是全人类的传统节日。自古以来，在3月14日这一天，世界各族人民会吃一个派庆祝节日，祈求好运，亲友之间也会互赠苹果派、蓝莓派、草莓派、蛋黄派、巧克力派……表达爱意和祝福。

01

MOSFET是什么：工作及其应用

原文链接：https://www.elprocus.com/mosfet-as-a-switch-circuit-diagram-free-circuits/

02

深度学习——目标检测（3）YOLO1SSD

前言：RCNN系列一般都是分为两个步骤，下面介绍one-stage方法，SSD和yolo算法目标检测近年来已经取得了很重要的进展，主流的算法主要分为两个类型：（1）two-stage方法，如R-CNN系算法，其主要思路是先通过启发式方法（selective search）或者CNN网络（RPN)产生一系列稀疏的候选框，然后对这些候选框进行分类与回归，two-stage方法的优势是准确度高；（2）one-stage方法，如Yolo和SSD，其主要思路是均匀地在图片的不同位置进行密集抽样，抽样时可以采用不同尺度和长宽比，然后利用CNN提取特征后直接进行分类与回归，整个过程只需要一步，所以其优势是速度快，但是均匀的密集采样的一个重要缺点是训练比较困难，这主要是因为正样本与负样本（背景）极其不均衡（参见Focal Loss），导致模型准确度稍低。各种方法速度如下：

01

[Intensive Reading]目标检测(object detection)扩展系列（三） Faster R-CNN，YOLO，SSD，YOLOv2，YOLOv3在损失函数上的区别

Faster R-CNN，YOLO和SSD在通用目标检测领域有着奠基一般的作用，而YOLOv2和YOLOv3由于其灵活易用的特性，在工业界一直很受欢迎，下面这篇文章主要想从损失函数的角度集中讨论下这几个主流框架的区别。

03

One-stage目标检测算法综述

首先将图片 Resize 到固定尺寸，然后通过一套卷积神经网络，最后接上 FC 直接输出结果，这就他们整个网络的基本结构。

04

目标检测(object detection)扩展系列（三） Faster R-CNN，YOLO，SSD，YOLOv2，YOLOv3在损失函数上的区别

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

02

目标检测算法上手实战

从广义上说，计算机视觉就是“赋予机器自然视觉能力”的学科。计算机视觉与人工智能有密切联系，但也有本质的不同。人工智能更强调推理和决策，但至少计算机视觉目前还主要停留在图像信息表达和物体识别阶段。计算机视觉的研究内容，大体可以分为物体视觉（object vision）和空间视觉（spatial vision）二大部分. 物体视觉在于对物体进行精细分类和鉴别，而空间视觉在于确定物体的位置和形状，为“动作（action）” 服务。基于学习的视觉，是指以机器学习为主要技术手段的计算机视觉研究。基于学习的视觉研究

06

前Twitter资深工程师详解YOLO 2与YOLO 9000目标检测系统

AI研习社按：YOLO是Joseph Redmon和Ali Farhadi等人于2015年提出的第一个基于单个神经网络的目标检测系统。在今年CVPR上，Joseph Redmon和Ali Farhadi发表的YOLO 2进一步提高了检测的精度和速度。这次讲座的主讲人为王东，前硅谷资深工程师。讲解顺序和论文结构类似，先讲YOLO 2的网络结构，重点分析如何产生目标边框和分类，以及相关的损失函数。训练YOLO 2的第一步是在ImageNet上预先学习darknet-19，在224x224图像上，它仅需5.58

06

深度 | 详解CVPR2017最佳论文提名的 YOLO 2与 YOLO 9000物体检测系统

AI 科技评论按：YOLO是Joseph Redmon和Ali Farhadi等人于2015年提出的第一个基于单个神经网络的目标检测系统。在今年CVPR上，Joseph Redmon和Ali Farhadi发表的YOLO 2进一步提高了检测的精度和速度。这次 AI 科技评论邀请到了前硅谷资深工程师王东为大家详细解读 YOLO 2和 YOLO 9000的技术细节。讲解顺序和论文结构类似，先讲YOLO 2的网络结构，重点分析如何产生目标边框和分类，以及相关的损失函数。训练YOLO 2的第一步是在ImageNe

07

1.3MB的超轻YOLO算法！全平台通用，准确率接近YOLOv3，速度快上45%丨开源

这是个模型非常小、号称目前最快的YOLO算法——大小只有1.3MB，单核每秒148帧，移动设备上也能轻易部署。

01

1.3MB超轻YOLO算法！全平台通用，速度快上45%丨开源

这是个模型非常小、号称目前最快的YOLO算法——大小只有1.3MB，单核每秒148帧，移动设备上也能轻易部署。

02

YOLO-Fastest：目前最快的YOLO网络！移动端上可达148 FPS

这是个模型非常小、号称目前最快的YOLO算法——大小只有1.3MB，单核每秒148帧，移动设备上也能轻易部署。

03

从R-CNN到YOLO，一文带你了解目标检测模型（附论文下载）

大数据文摘作品编译：Yanruo、小鱼这是一份详细介绍了目标检测的相关经典论文、学习笔记、和代码示例的清单，想要入坑目标检测的同学可以收藏了！在大数据文摘后台回复“目标检测”可打包下载全部论文~

04

1.3MB的超轻YOLO算法！全平台通用，准确率接近YOLOv3，速度快上45%丨开源

这是个模型非常小、号称目前最快的YOLO算法——大小只有1.3MB，单核每秒148帧，移动设备上也能轻易部署。

04

深度学习与CV教程(13) | 目标检测 (SSD,YOLO系列)

本系列为斯坦福CS231n 《深度学习与计算机视觉(Deep Learning for Computer Vision)》的全套学习笔记，对应的课程视频可以在这里查看。更多资料获取方式见文末。

06

深度学习中的检测网络：SSD/Faster R-CNN/YOLO

深度学习中的检测任务（Detection）是指检测出图片中的物体位置，一般需要进行画框。比如下图中把人、羊，还有狗都框出来了，具体来说，网络需要输出框的坐标。

04

SSD人脸检测以及FDDB检测结果分析

版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/haluoluo211/article/details/82083846

03

深度学习500问——Chapter08：目标检测（4）

我们将对单次目标检测器（包括SSD系列和YOLO系列等算法）进行综述。我们将分析FPN以理解多尺度特征图如何提高准确率，特别是小目标的检测，其在单次检测器中的检测效果通常很差。然后我们将分析Focal loss和RetinaNet，看看它们是如何解决训练过程中的类别不平衡问题的。

01

基于深度学习的计算机视觉应用之目标检测

目标检测作为图像处理和计算机视觉领域中的经典课题,在交通监控、图像检索、人机交互等方面有着广泛的应用。它旨在一个静态图像(或动态视频)中检测出人们感兴趣的目标对象。传统的目标检测算法中特征提取和分类决策分开进行，对特征选取的要求就更加严格，在面对复杂场景的时候很难得到理想效果。自Hinton教授提出深度学习理论，越来越多的研究人员发现在目标检测领域应用深度学习，可以有效提高检测效果和性能，于是深度学习在实时视频的目标检测开始获得大规模的应用。时至今日，其检测效率和精度已经有了极大提高。传统检测算法传

07

10分钟学会使用YOLO及Opencv实现目标检测（下）|附源码

在上一节内容中，介绍了如何将YOLO应用于图像目标检测中，那么在学会检测单张图像后，我们也可以利用YOLO算法实现视频流中的目标检测。

03

魔都AI圣战者联盟第二次分享会圆满召开

魔都AI圣战者联盟（League of AI Mujahideen in Shanghai）是由上海的AI行业从业者发起的民间组织。目前联盟主要成员为从事AI行业cv或nlp方向的算法工程师或主管、总监，多数为毕业于国内985高校或海外知名高校的硕博。

03

汇总 | OpenCV DNN支持的对象检测模型

OpenCV DNN不光支持图像分类，对象检测作为计算机视觉主要任务之一，OpenCV DNN支持多种对象检测模型，可以快速实现基于COCO数据集与Pascal VOC数据集的对象检测。此外基于自定义数据集，通过tensorflow对象检测框架或者pytorch的ONNX格式还可以支持自定义对象检测模型训练导出与部署。本文总结了OpenCV DNN支持的各种对象检测模型与它们的输入输出。

02

YOLO-Fastest：超超超快的开源ARM实时目标检测算法

大家好，我是dog-qiuqiu，这篇文章可能不会涉及太多技术算法上的讲解，可能先和大家探讨下关于这个算法的一些定位和应用场景的问题吧。

01

[大数据架构 ]Apache大数据项目目录

在使用BigData大约8年以上之后，我遇到了大量的项目。Esp Apache的运动对于BigData域非常强大。每个人都会提出一个针对特定解决方案的项目。但是，由于有这么多项目出现，我找不到一个可以查看它们的地方。所以，这就是这个页面背后的灵感。一站式，查看所有Apache BigData项目。当然，这个页面需要不断更新。如果您发现任何项目缺失，请发表评论

02

【专知荟萃09】目标检测知识资料全集（入门/进阶/论文/综述/视频/代码等）

目标检测（物体检测, Object Detection) 专知荟萃入门学习进阶文章综述 Tutorial 视频教程代码领域专家入门学习图像目标检测（Object Detection）原理与实现（1-6） [http://www.voidcn.com/article/p-xnjyqlkj-ua.html] [http://www.voidcn.com/article/p-ypylfzuk-ua.html] [http://www.voidcn.com/article/p-pfihszbt-

深度学习目标检测从入门到精通：第一篇

【导读】近日，CV-Tricks.com发布一篇文章，总结了近年来目标检测的各种方法。目标检测可谓是近年来计算机视觉领域热门的研究领域，也具有广阔的应用前景，如自动驾驶等。本文首先系统解释了图像分类和

07

Single Shot MultiBox Detector论文翻译——中英文对照

SSD: Single Shot MultiBox Detector Abstract We present a method for detecting objects in images usin

00

目标检测算法之SSD

作者：叶虎编辑：祝鑫泉前言目标检测近年来已经取得了很重要的进展，主流的算法主要分为两个类型：（1）two-stage方法，如R-CNN系算法，其主要思路是先通过启发式方法（selective search）或者CNN网络（RPN)产生一系列稀疏的候选框，然后对这些候选框进行分类与回归，two-stage方法的优势是准确度高；（2）one-stage方法，如Yolo和SSD，其主要思路是均匀地在图片的不同位置进行密集抽样，抽样时可以采用不同尺度和长宽比，然后利用CNN提取特征后直接进行分类与回归

09

【论文详解】目标检测算法之SSD 深入详解

目标检测近年来已经取得了很重要的进展，主流的算法主要分为两个类型：（1）two-stage方法，如R-CNN系算法，其主要思路是先通过启发式方法（selective search）或者CNN网络（RPN)产生一系列稀疏的候选框，然后对这些候选框进行分类与回归，two-stage方法的优势是准确度高；（2）one-stage方法，如Yolo和SSD，其主要思路是均匀地在图片的不同位置进行密集抽样，抽样时可以采用不同尺度和长宽比，然后利用CNN提取特征后直接进行分类与回归，整个过程只需要一步，所以其优势是速度快，但是均匀的密集采样的一个重要缺点是训练比较困难，这主要是因为正样本与负样本（背景）极其不均衡（参见Focal Loss，https://arxiv.org/abs/1708.02002），导致模型准确度稍低。不同算法的性能如图1所示，可以看到两类方法在准确度和速度上的差异。

02

YOLO—实时对象检测的新视角

近几年，在深入学习的帮助下, 目标检测领域取得了巨大的进步。对象检测是标识图像中的对象并在其周围绘制边界框的任务, 也就是定位它们。在计算机视觉由于其众多的应用从自动驾驶汽车到安全和跟踪是一个非常重要的问题。以前的对象检测方法通常是让管道按序分段。这会导致每一段完成的任务和最终目标之间的脱节, 最终的目标是在一个图像的对象周围绘制一个紧密的边界框。一个充分利用在联合的方式中侦测错误的终端框架将是一个更好的解决方案，不仅是为了更好地训练模型, 还要提高检测速度。这就需要YOLO发挥作用。Varun Agr

05

[Intensive Reading]目标检测(object detection)系列（八）YOLOv2：更好，更快，更强

目标检测系列：目标检测(object detection)系列（一） R-CNN：CNN目标检测的开山之作目标检测(object detection)系列（二） SPP-Net：让卷积计算可以共享目标检测(object detection)系列（三） Fast R-CNN：end-to-end的愉快训练目标检测(object detection)系列（四） Faster R-CNN：有RPN的Fast R-CNN 目标检测(object detection)系列（五） YOLO：目标检测的另一种打开方式目标检测(object detection)系列（六） SSD：兼顾效率和准确性目标检测(object detection)系列（七） R-FCN：位置敏感的Faster R-CNN 目标检测(object detection)系列（八） YOLOv2：更好，更快，更强目标检测(object detection)系列（九） YOLOv3：取百家所长成一家之言目标检测(object detection)系列（十） FPN：用特征金字塔引入多尺度目标检测(object detection)系列（十一） RetinaNet：one-stage检测器巅峰之作目标检测(object detection)系列（十二） CornerNet：anchor free的开端目标检测(object detection)系列（十三） CenterNet：no Anchor，no NMS 目标检测(object detection)系列（十四）FCOS：用图像分割处理目标检测

01

YoloX大升级：阿里巴巴提出新框架，超越Yolov6和PPYoloE（附源代码）

关注并星标从此不迷路计算机视觉研究院公众号ID｜ComputerVisionGzq 学习群｜扫码在主页获取加入方式代码地址： https://github. com/alibaba/EasyCV 计算机视觉研究院专栏作者：Edison_G 最新阿里巴巴研究员，基于自研平台，对YoloX检测框架进行了改进，并且效率更快，超越了Yolov6和PP-YoloE等网络。 01 概述 EasyCV是阿里巴巴开源的基于Pytorch，以自监督学习和Transformer技术为核心的 all-in-o

02

Single Shot MultiBox Detector论文翻译——中文版

本文提出了一种用于目标检测的单阶段方法，通过单个CNN模型同时完成目标定位和分类，从而实现了速度与精度的平衡。该方法在速度和精度上都超越了目前最先进的双阶段方法，同时还在处理小目标、重叠目标、密集目标等复杂场景上表现出色。

00

[Intensive Reading]目标检测(object detection)系列（六） SSD：兼顾效率和准确性

目标检测系列：目标检测(object detection)系列（一） R-CNN：CNN目标检测的开山之作目标检测(object detection)系列（二） SPP-Net：让卷积计算可以共享目标检测(object detection)系列（三） Fast R-CNN：end-to-end的愉快训练目标检测(object detection)系列（四） Faster R-CNN：有RPN的Fast R-CNN 目标检测(object detection)系列（五） YOLO：目标检测的另一种打开方式目标检测(object detection)系列（六） SSD：兼顾效率和准确性目标检测(object detection)系列（七） R-FCN：位置敏感的Faster R-CNN 目标检测(object detection)系列（八） YOLOv2：更好，更快，更强目标检测(object detection)系列（九） YOLOv3：取百家所长成一家之言目标检测(object detection)系列（十） FPN：用特征金字塔引入多尺度目标检测(object detection)系列（十一） RetinaNet：one-stage检测器巅峰之作目标检测(object detection)系列（十二） CornerNet：anchor free的开端目标检测(object detection)系列（十三） CenterNet：no Anchor，no NMS 目标检测(object detection)系列（十四）FCOS：用图像分割处理目标检测

02

目标检测-20种常用深度学习算法论文、复现代码汇总

Rich feature hierarchies for accurate object detection and semantic segmentation

03

YOLO V2的10个改进技巧（上篇）

YOLO V2的原始论文是，《YOLO9000: Better, Faster, Stronger 》，新的YOLO版本论文全名叫“YOLO9000: Better, Faster, Stronger”，主要有两个大方面的改进：

04

基于深度学习的目标检测算法综述

摘要：从2014年开始，目标检测取得了巨大的突破。本文针对目前主流的目标检测方法进行简单的介绍，文章分为两个部分：第一部分介绍R Girshick提出的以R-CNN为代表的结合region proposal和CNN分类的目标检测框架(R-CNN, SPP-NET, Fast R-CNN, Faster R-CNN); 第二部分介绍以YOLO为代表的将目标检测转换为回归问题的目标检测框架(YOLO, SSD); 第三部分介绍一些最新的目标检测算法的进展。一、从Rcnn到Faster-Rcnn 从Rcnn开

python猪脸识别_京东JDD猪脸识别比赛「建议收藏」

TeslaK20c集群单节点双卡 Red Hat 4.4.7-3 Python 2.7.13 cuda 8.0 cudnn 5.0 pytorch 0.3.0

02

面部识别算法是如何工作的？

过去十年，深度学习领域出现了许多先进的新算法和突破性的研究，并且引入了新的计算机视觉算法。

02

YOLO-LITE:专门面向CPU的实时目标检测

现在的实时目标检测算法，比如YOLO、SSD在GPU上已经可以跑的很快了，比如YOLOv2可以在GPU上跑到224fps，但在便携式笔记本甚至手机终端，这些算法还不能达到实时。

03

强烈推荐 | 基于飞桨的五大目标检测模型实战详解

机器视觉领域的核心问题之一就是目标检测（object detection），它的任务是找出图像当中所有感兴趣的目标（物体），确定其位置和大小。对于人类来说，目标检测是一个非常简单的任务。然而，计算机能够“看到”的是图像被编码之后的数字，很难解图像或是视频帧中出现了人或是物体这样的高层语义概念，也就更加难以定位目标出现在图像中哪个区域。

01

综述 | 基于深度学习的目标检测算法

导读：目标检测（Object Detection）是计算机视觉领域的基本任务之一，学术界已有将近二十年的研究历史。近些年随着深度学习技术的火热发展，目标检测算法也从基于手工特征的传统算法转向了基于深度神经网络的检测技术。从最初 2013 年提出的 R-CNN、OverFeat，到后面的 Fast/Faster R-CNN、SSD、YOLO 系列，再到 2018 年最近的 Pelee。短短不到五年时间，基于深度学习的目标检测技术，在网络结构上，从 two stage 到 one stage，从 bottom-up only 到 Top-Down，从 single scale network 到 feature pyramid network，从面向 PC 端到面向手机端，都涌现出许多好的算法技术，这些算法在开放目标检测数据集上的检测效果和性能都很出色。

02

R-FCN、Mask RCNN、YoLo、SSD、FPN、RetinaNet…你都掌握了吗？一文总结目标识别必备经典模型（二）

机器之心专栏本专栏由机器之心SOTA！模型资源站出品，每周日于机器之心公众号持续更新。本专栏将逐一盘点自然语言处理、计算机视觉等领域下的常见任务，并对在这些任务上取得过 SOTA 的经典模型逐一详解。前往 SOTA！模型资源站（sota.jiqizhixin.com）即可获取本文中包含的模型实现代码、预训练模型及 API 等资源。本文将分 3 期进行连载，共介绍 17 个在目标检测任务上曾取得 SOTA 的经典模型。第 1 期：R-CNN、SPP-Net、Fast R-CNN、Faster R-C

02

扫码

添加站长进交流群

领取专属 10元无门槛券

手把手带您无忧上云

扫码加入开发者社群

相关资讯

热门标签

活动推荐

运营活动

活动名称

广告关闭