yangcheng
yangcheng
事实上，`yolo.predict` 就行，已经封装好了一个predict的方法.
``` yolo = Yolo( image_shape=image_shape, batch_size=batch_size, num_class=num_class, is_training=False, anchors=anchors, anchor_masks=anchor_masks, strides=[8, 16, 32], net_type='5s', model_path=r'C:\Users\Administrator\Desktop\yolov5-20220309-5s-tf-20.h5' ) # images shape(batch, h, w, 3) yolo.predict(images) ```
可以尝试下
That's what I've always wanted to do，but my machine was busy and I didn't have time to train the total COCO2017 dataset, which seemed to take a few days to...
Accuracy Improvement of Low Cost INS/GPS for Land Applications，this paper?
postStreamData.py 里面 from flask.ext.restful import Resource, reqparse 改成 from flask_restful import Resource, reqparse 即可。 但是nupic后来项目结构调整了，我也没跟进 from nupic.frameworks.opf.modelfactory import ModelFactory 中的ModelFactory更换了， 需要你自己跟着做一些调整了。 这是他们的forum：https://discourse.numenta.org/c/nupic
Emm..之前用HTM的原因是领导在硅谷听numenta那个公司演讲被吸引，回来后就极力推荐说尝试一下，后来我读了他们发表的很多文章，官网的白皮书，还有Jeff的那本on intelligence，比较失望的是他们一直强调模拟脑皮层皮质记忆的结构来设计算法，没有正面给予我其中的一些数理依据，这个你可以去他们forum上找，所以虽然实现了HTM在异常检测上的一些东西，但是依旧对其内部数理结构不太理解，而且从我实现的过程中发现，这种算法一般可以用在 “一段正常的序列中出现某个异常”这种场景，而且这种“某个异常”一般是根据以前同一个时间段来判断，他们号称这个甚至可以用来检测地震波动，所以你需要再去看看他们的白皮书，但是如果要真正做异常检测，我建议多做几种算法比较，像LSTM也有这种长序记忆的能力，或者甚至像一些滤波算法，换个思路也能做这种异常检测，大概是这样。
嗯嗯，flink_htm, htm-studio都可以。
没有太多关于这方面的研究了，HTM理论实在是迷。。
1. 训练代码都是官方v5转出来的格式，测试环境不同，使用的处理器不一样，得到的时延也就不一样 2. 数据预处理大概占了一半的时间，从打开摄像头，到对每一帧画面做旋转缩放需要耗时40-50ms 3. 实测NNAPI确实会比GPU代理慢一点，这一点可能跟NNAPI的算子或者是tflite对GPU的专门优化使用有关