yolov8进行二次改进后进行了量化和速度测试 ，没有明显速度增加。对比一下模型的性能。 分别用原始模型和改后的模型进行了100 epochs训练。 以下是原始模型的结果。 class P R map@0.5 map@.95 1 0.79 0.49 0.571 0.316 2 0.851 0.738 0.801 0.538 改进后的模型结果。 cla

网上介绍超感光低照度视频采集硬件开发的文章已经很多了， 这篇文章介绍了SD3403平台对接IMX485开发的实例。经测试带AI ISP特性带来优异的的超感光视频效果，另外空置的NPU核便于用户实现端侧快速应用算法部署； 基于SD3403的SoC 媒体处理芯片开发的编解码核心板，用于给开发者展示芯片强大的多媒体功能和丰富的外围接口，同时为开发者提供 基于SoC的产品硬件PCBA，将芯片具备的资源完

医疗内窥镜市场，经过多年的发展，产品种类繁多，应用场景更加的多样了，但是基础的技术方案非常的收敛，主流的方案就是海思的SOC和FPGA。海思的SOC以优秀的图像质量，和便携的开发占据了大量的硬镜应用，同时也正在往软镜方向发展。FPGA由于低图像延迟，以及机电控制灵活，更多的是应用在软镜方向。由于FPGA开发非常的麻烦，要用低层环境开始构建，对开发人员的要求高很多，而且由于它的特性也不便于多人协同，

上一篇用MindStudio转换完om模型，就可以在板卡里进行推理验证了。 SDK里有相关推理的demo，只要om模型转换没有遇到问题，是可以做推理验证。 首先SDK里推理验证方式有两种，一个是用H264实时视频流的方式，还有一种是通过图片的方式。  H264方式需要准备好FFMPEG，通过本地视频转换成H264视频流推给板卡。用下面指令就可以。 ffmpeg的安装使用就不在这里介

经过调试后中终于在hi3519dv500和hi3516dv500两个平台中都实现的算法验证。同时可以做自己定制的算法模型的移植了，下面是两个移植案例效果。       识别运行时间上做了对比和统计，具体的可以看下面的表格。 总体来说速度还是比较快的，Yolo系列算法实时运行是几乎没有任何问题。 训练到量化过程已经全部验证完，期待在项目中使用。 涉及到技术细

本篇是在海思嵌入式芯片中移植yolov7和yolov8的第二篇。做一个调试的小总结。 目前手上有SS928还有Hi3516dv500两个板子，3519DV500板子还没开始调。Hi3519dv500和3516是同一套SDK，基本上是一样的，算力稍高一点，ARM主频高一点。     我们主要对yolov7和yolov8进行了从训练到量化，部署的工作。训练之前要改一下训练源码，