訓練硬件平臺：SOM5992（至強E3系列CPU）、8G_DDR4內存、GTX1050ti
運行硬件平臺：EPC-R5770
OS版本：發行版ubuntu18.04
軟件版本：
Anconda3: 5.2.0-Linux-x86_64(PYTHON3.6)
Caffe： caffe-segnet
NVIDIA Driver: 450.66
CUDA： 8.0.61_375.26
cudnn: 8.0-linux-x64-v5.1
sudo apt-get install libprotobuf-dev libleveldb-dev libsnappy-dev libopencv-dev libhdf5-serial-dev protobuf-compiler
sudo apt-get install --no-install-recommends libboost-all-dev
sudo apt-get install libgoogle-glog-dev
sudo apt-get install libopenblas-dev
sudo apt-get install liblmdb-dev
sudo apt-get install libgflags-dev
sudo apt-get install libatlas-base-dev
sudo apt-get install build-essential cmake libgtk2.0-dev pkg-config python-dev python-numpy libavcodec-dev libavformat-dev libswscale-dev
sudo apt-get install libavformat-dev libswscale-dev libtbb2 libtbb-dev libjpeg-dev libpng-dev libtiff-dev libdc1394-22-dev
caffe-segnet
將SegNet-Tutorial-master.zip解壓到根目錄并重命名為SegNet
unzip SegNet-Tutorial-master.zip
mv SegNet-Tutorial-master /SegNet
SegNet內容如下：
修改segnet模型適配于EPC-R5770平臺
由于segnet作者已提供segnet的模型結構，其路徑為
/SegNet/Models/segnet_train.prototxt
該模型通過訓練可以在x86平臺上正常運行，可無法遷移至EPC-R5770當中，我們需要將模型進行一定的修改,具體如下：
1. NNIE沒有支持 BN層，而只支持caffe 1.0當中的batch norm層
解決方法：將prototxt文件當中的BN層修改為batchnorm層及Scale層，如圖所示
1）對于訓練的prototxt
（左）修改前 （右）修改后
2）對于推理的prototx
（左）修改前 （右）修改后
2.將數據集的樣本size改為384*480
可以自行編寫opencv腳本對數據集進行批量的圖像大小修改
3.將upsample5與upsample4層的參數upsample_w與upsample_h注釋掉
如下
4.將batch_norm層的moving_average_fraction參數修改為0.9
如下
5.segnet_train.prototxt的batch_size設置為1
一個batch_size占用了3.2G內存
6.solver文件中添加iter_size: 5
batch_size太小不利于模型的收斂，因此設置5次訓練才做一次回歸
1.下載預訓練過的VGG16的weights
鏈接如下：
http://www.robots.ox.ac.uk/~vgg/research/very_deep/
2.訓練segnet-VGG16模型
用VGG_ILSVRC_16_layers.caffemodel作為初始化權重
mkdir /SegNet/Models/Training/
./build/tools/caffe train -gpu 0 -solver/SegNet/Models/segnet_solver.prototxt -weights/SegNet/Models/VGG_ILSVRC_16_layers.caffemodel
大約訓練50-100 epochs就可以得出不錯的結果
3.修改/SegNet/Scripts/compute_bn_statistics.py的185行的輸入圖像尺寸大小及190-194行注釋
如圖所示
生成deploy.prototxt及test_weights.caffemodel
sudo python /SegNet/Scripts/compute_bn_statistics.py/SegNet/Models/segnet_train.prototxt/SegNet/Models/Training/segnet_iter_40000.caffemodel /SegNet/Models/Inference/
修改deploy.prototxt的相關格式
修改輸入層格式
（左）修改前 （右）修改后
修改所有batch_norm層的use_global_stats為true
（左）修改前 （右）修改后
經過修改過后，deploy.prototxt及test_weights.caffemodel可以用于EPC-R5770做模型的轉換了。
4.測試模型
sudo python /SegNet/Scripts/test_segmentation_camvid.py --model/SegNet/Models/segnet_inference.prototxt --weights/SegNet/Models/Inference/test_weights.caffemodel --iter 1
效果如圖所示：
模型轉換所用到的工具是Ruyi studio 其環境搭建過程及轉換方法請參考EPC-R5770相關文檔
轉換所用到的配置文件內容，如圖所示：
根據以上的配置，點擊build按鈕即可轉換模型
出現Successfully，即轉換成功。
更多AI整合軟硬件解決方案
及技術服務分析
可關注研華嵌入式物聯網伙伴峰會
11/19-11/21
3大主題峰會，70+細分話題
疫情大考和新基建等環境下，企業數字化轉型全面加速，數據驅動、數智融合的價值逐漸釋放。為加速物聯網美好未來的實現，研華今年的工業物聯網伙伴峰會，將會聚焦嵌入式物聯網、工業物聯網、智慧城市三大主題，圍繞智慧工廠、智能裝備、智慧能源與環境、智能交通、智慧醫療、智慧零售、智能物流等垂直產業，探討邊緣計算、產業AI、嵌入式創新、中國芯、工業通信、工業云平臺等技術話題。
100+業界專家，“慧”聚云端
站在大咖的肩膀上看世界，無疑會對企業的戰略方向起到重要指導作用。本次盛會，研華也邀請了來自中國信通院、工業互聯網產業聯盟、中科院、清華大學互聯網產業研究院等100多位專家學者、商業大咖以及行業領導者匯聚云端，分享他們對AIoT的前沿洞察及發展策略，探討工業物聯網落地實踐經驗，全面激發物聯網發展新思路。
50+伙伴齊聚，共贏物聯大未來
通往未來的征程絕不是孤軍奮戰，而是產業鏈伙伴間的協同與互利共贏,唯有生態互聯，方可決勝工業物聯網未來。本次峰會，研華也將攜手英特爾、ARM、微軟、京東物流、軟通智慧等全球50多家合作伙伴，共同探討AIoT新時代、新思路及新發展，一起共創、共享、共贏物聯大未來！
會上將有大量知識性主題演講
和引人深思的議題探討
干貨滿滿，大咖云集，不可錯過~
掃碼一鍵報名
即刻領取
↓↓↓
文末福利
關于研華
研華成立于1983年，以“智能地球的推手”作為企業品牌愿景，一直專注于工業物聯網、嵌入式物聯網及智慧城市三大市場。為迎接物聯網、大數據與人工智能的大趨勢，研華提出以邊緣智能和WISE-PaaS工業物聯網云平臺為核心的物聯網軟、硬件解決方案，協助客戶伙伴串接產業鏈。研華業務分布全球27個國家，擁有近8,000名員工，以強大的技術服務及營銷網絡，為客戶提供本土化響應的便捷服務。此外，研華積極推進產業伙伴共創，加速AIoT生態圈布建與發展。
研華網站：www.advantech.com.cn
研華微信：研華嵌入式
服務熱線：400-001-9088
▼點擊查看直播日歷！
