Skip to main content

クイックスタート

note

この文書は AI によって翻訳されています。内容に不正確な点や改善すべき点がございましたら、文書下部のコメント欄または以下の Issue ページにてご報告ください。
https://github.com/Seeed-Studio/wiki-documents/issues

クイックスタート

概要では、SSCMAが提供する機能と特徴について紹介しました。SSCMAは複数の異なるモジュールに分かれており、それぞれのモジュールが対応するタスクを完了します。以下の手順に従うことで、迅速に始めることができます。

tip

SSCMAの初心者には、Getting Startedから学び始めることをお勧めします。SSCMAOpenMMLabに精通しており、エッジコンピューティングデバイスへのデプロイ、既存のニューラルネットワークの修正、またはユーザー定義データセットでのトレーニングを試したい場合は、Advancedを直接参照してください。

Getting Started

モデルのデプロイ

デバイスにモデルをデプロイしたい場合は、Deployセクションを参照して、モデルのデプロイ方法を学んでください。

モデルのトレーニング

モデルをトレーニングしたい場合は、まずColabプラットフォームでモデルをトレーニングすることを強くお勧めします。以下のチュートリアルを参照してください。

オブジェクト検出

モデルColab
Gender_Detection_Swift-YOLO_192Colabで開く
Digital_Meter_Water_Swift-YOLO_192Colabで開く
Apple_Detection_Swift-YOLO_192Colabで開く
person_Detection_Swift-YOLO_192Colabで開く
Face_Detection_Swift-YOLO_96Colabで開く
COCO_Detection_Swift-YOLO_320Colabで開く
Gesture_Detection_Swift-YOLO_192Colabで開く
Digital_Meter_Electricity_Swift-YOLO_192Colabで開く

画像分類

モデルColab
MNIST_Classification_MobileNetV2_0.5_Rep_32Colabで開く
Gender_Classification_MobileNetV2_0.35_Rep_64Colabで開く
Person_Classification_MobileNetV2_0.35_Rep_64Colabで開く
Person_Classification_MobileNetV2_0.35_Rep_96Colabで開く
Person_Classification_MobileNetV2_0.35_Rep_32Colabで開く
CIFAR-10_Classification_MobileNetV2_0.35_Rep_32Colabで開く

上級

  1. まず、インストールガイドを参照して、SSCMAの実行環境を構成してください。

  2. 次に、SSCMAの基本的な使用方法に慣れてください:

    • モデルのトレーニングについては、モデルトレーニングを参照して、SSCMAを使用してモデルをトレーニングする方法を学んでください。例からモデルを選択してトレーニングすることをお勧めします。

    • モデルのエクスポート。モデルのトレーニングを完了した後、エッジコンピューティングデバイスにデプロイするためには、まずモデルをエクスポートする必要があります。モデルのエクスポートに関するチュートリアルについては、モデルエクスポートを参照してください。

    • モデルの検証。モデルの検証は、トレーニング後またはエクスポート後に実行できます。前者はニューラルネットワークとトレーニング結果の正確性を検証し、後者は主にエクスポートされたモデルの正確性を検証して、後のエッジコンピューティングデバイスでのデプロイとデバッグを容易にします。モデル検証のいくつかの方法は、上記の2つのステップのドキュメントに記載されています。

  • モデルのデプロイ。エクスポートされたトレーニングモデルをエッジコンピューティングデバイスにデプロイしたい場合は、デプロイメントを参照してください。

  • カスタムデータセット。カスタムデータセットでトレーニングを行いたい場合は、データセットを参照してください。

  • カスタムモデル。既存のニューラルネットワークを修正したり、自分自身でニューラルネットワークを設計したい場合は、モデル構成を参照してください。

必要な知識

📸 コンピュータビジョン:

コンピュータビジョンの基礎はデジタル画像処理に基づいています。そのため、まずデジタル画像処理(DIP)の基礎を学ぶ必要があります。その後、パターン認識や3Dジオメトリなどのコンピュータビジョンのトピックを学ぶことができます。線形代数を理解していると、次元削減などのコンピュータビジョンのいくつかの概念を完全に理解するのに役立ちます。コンピュータビジョンの基礎を理解した後は、深層学習、特に畳み込みニューラルネットワーク(CNN)の知識を構築する必要があります。

💻 プログラミング:

設計やプロトタイピングにはPythonで十分ですが、組み込み作業を行いたい場合はC++にも精通している必要があります。

🧰 ツール:

OpenCVはコンピュータビジョンの主要なツールであり、Numpyはデータ処理と分析の重要なツールです。これらを習得する必要があります。また、どのツールが利用可能で、それらをどのように使用するかを知っておく必要があります。さらに、深層学習フレームワークにも慣れる必要があります。最初は学びやすいKerasから始め、その後TensorflowやPyTorchを学ぶことをお勧めします。

Loading Comments...