【嵌入式AI开发】轻量级卷积神经网络MobileNet项目实战——文末完整源码工程文件

news2025/1/17 2:57:14

前言：本文介绍轻量级卷积神经网络MobileNet网络实战，包含MobileNetV1、MobileNetV2、ResNet50三个预训练模型可供选择。

实现：1.预训练MobileNet图像分类，2.调用摄像头实时MobileNet图像分类，3.MobileNet视频图像分类。

MobileNet网络理论详解：【嵌入式AI开发】轻量级卷积神经网络MobileNetV1网络详解-CSDN博客

调用摄像头实时MobileNet图像分类效果：

预训练MobileNet图像分类效果：

 

MobileNet视频图像分类效果与调用摄像头实时MobileNet图像分类效果一致，对输入的任意视频进行视频图像分类输出，生成一个mp4文件。

代码资源的三个.py文件对应三个实战项目

目录

预训练MobileNet图像分类

调用摄像头实时MobileNet图像分类

MobileNet视频图像分类

源码工程下载链接

预训练MobileNet图像分类

首先是导入预训练模型。导入MobileNet V1预训练模型或者导入MobileNet V2预训练模型或者导入ResNet50预训练模型，任选其一便可，只运行一个model，载入模型的变量为model。

本次运行的是MobileNet V1，如下为运行出来的model模型结构，可以看到显示卷积层，然后是深度可分离卷积模块（先DW卷积+BN+RELU，再PW卷积+BN+RELU），然后经过全局平均池化得到1024个向量，输入到1000个神经元的全连接层中，输出1000个类别的logit，再经过softmax归一化得到1000个类别的概率。

整个模型是有可训练参数Trainable params: 4,231,976 (16.14 MB)

Model: "mobilenet_1.00_224"
┌─────────────────────────────────┬────────────────────────┬───────────────┐
│ Layer (type)                    │ Output Shape           │       Param # │
├─────────────────────────────────┼────────────────────────┼───────────────┤
│ input_layer (InputLayer)        │ (None, 224, 224, 3)    │             0 │
├─────────────────────────────────┼────────────────────────┼───────────────┤
│ conv1 (Conv2D)                  │ (None, 112, 112, 32)   │           864 │
├─────────────────────────────────┼────────────────────────┼───────────────┤
│ conv1_bn (BatchNormalization)   │ (None, 112, 112, 32)   │           128 │
├─────────────────────────────────┼────────────────────────┼───────────────┤
│ conv1_relu (ReLU)               │ (None, 112, 112, 32)   │             0 │
├─────────────────────────────────┼────────────────────────┼───────────────┤
│ conv_dw_1 (DepthwiseConv2D)     │ (None, 112, 112, 32)   │           288 │
├─────────────────────────────────┼────────────────────────┼───────────────┤
│ conv_dw_1_bn                    │ (None, 112, 112, 32)   │           128 │
│ (BatchNormalization)            │                        │               │
├─────────────────────────────────┼────────────────────────┼───────────────┤
│ conv_dw_1_relu (ReLU)           │ (None, 112, 112, 32)   │             0 │
├─────────────────────────────────┼────────────────────────┼───────────────┤
│ conv_pw_1 (Conv2D)              │ (None, 112, 112, 64)   │         2,048 │
├─────────────────────────────────┼────────────────────────┼───────────────┤
│ conv_pw_1_bn                    │ (None, 112, 112, 64)   │           256 │
│ (BatchNormalization)            │                        │               │
├─────────────────────────────────┼────────────────────────┼───────────────┤
│ conv_pw_1_relu (ReLU)           │ (None, 112, 112, 64)   │             0 │
├─────────────────────────────────┼────────────────────────┼───────────────┤
│ conv_pad_2 (ZeroPadding2D)      │ (None, 113, 113, 64)   │             0 │
├─────────────────────────────────┼────────────────────────┼───────────────┤
│ conv_dw_2 (DepthwiseConv2D)     │ (None, 56, 56, 64)     │           576 │
├─────────────────────────────────┼────────────────────────┼───────────────┤
│ conv_dw_2_bn                    │ (None, 56, 56, 64)     │           256 │
│ (BatchNormalization)            │                        │               │
├─────────────────────────────────┼────────────────────────┼───────────────┤
│ conv_dw_2_relu (ReLU)           │ (None, 56, 56, 64)     │             0 │
├─────────────────────────────────┼────────────────────────┼───────────────┤
│ conv_pw_2 (Conv2D)              │ (None, 56, 56, 128)    │         8,192 │
├─────────────────────────────────┼────────────────────────┼───────────────┤
│ conv_pw_2_bn                    │ (None, 56, 56, 128)    │           512 │
│ (BatchNormalization)            │                        │               │
├─────────────────────────────────┼────────────────────────┼───────────────┤
│ conv_pw_2_relu (ReLU)           │ (None, 56, 56, 128)    │             0 │
├─────────────────────────────────┼────────────────────────┼───────────────┤
│ conv_dw_3 (DepthwiseConv2D)     │ (None, 56, 56, 128)    │         1,152 │
├─────────────────────────────────┼────────────────────────┼───────────────┤
│ conv_dw_3_bn                    │ (None, 56, 56, 128)    │           512 │
│ (BatchNormalization)            │                        │               │
├─────────────────────────────────┼────────────────────────┼───────────────┤
│ conv_dw_3_relu (ReLU)           │ (None, 56, 56, 128)    │             0 │
├─────────────────────────────────┼────────────────────────┼───────────────┤
│ conv_pw_3 (Conv2D)              │ (None, 56, 56, 128)    │        16,384 │
├─────────────────────────────────┼────────────────────────┼───────────────┤
│ conv_pw_3_bn                    │ (None, 56, 56, 128)    │           512 │
│ (BatchNormalization)            │                        │               │
├─────────────────────────────────┼────────────────────────┼───────────────┤
│ conv_pw_3_relu (ReLU)           │ (None, 56, 56, 128)    │             0 │
├─────────────────────────────────┼────────────────────────┼───────────────┤
│ conv_pad_4 (ZeroPadding2D)      │ (None, 57, 57, 128)    │             0 │
├─────────────────────────────────┼────────────────────────┼───────────────┤
│ conv_dw_4 (DepthwiseConv2D)     │ (None, 28, 28, 128)    │         1,152 │
├─────────────────────────────────┼────────────────────────┼───────────────┤
│ conv_dw_4_bn                    │ (None, 28, 28, 128)    │           512 │
│ (BatchNormalization)            │                        │               │
├─────────────────────────────────┼────────────────────────┼───────────────┤
│ conv_dw_4_relu (ReLU)           │ (None, 28, 28, 128)    │             0 │
├─────────────────────────────────┼────────────────────────┼───────────────┤
│ conv_pw_4 (Conv2D)              │ (None, 28, 28, 256)    │        32,768 │
├─────────────────────────────────┼────────────────────────┼───────────────┤
│ conv_pw_4_bn                    │ (None, 28, 28, 256)    │         1,024 │
│ (BatchNormalization)            │                        │               │
├─────────────────────────────────┼────────────────────────┼───────────────┤
│ conv_pw_4_relu (ReLU)           │ (None, 28, 28, 256)    │             0 │
├─────────────────────────────────┼────────────────────────┼───────────────┤
│ conv_dw_5 (DepthwiseConv2D)     │ (None, 28, 28, 256)    │

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.coloradmin.cn/o/1628307.html

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈，一经查实，立即删除！

相关文章

keil把c语言函数转成汇编

keil把c语言函数转成汇编

汇编可以让开发人员从根源上理解程序的运行逻辑，本文介绍如何在keil环境下如何把一个c文件中的某一个函数，转换为汇编函数，并编译运行。 右击某个c文件，选择Option for File。。。 图1 然后把下图中的Generate Assembler SRC Fi…
阅读更多...
Post请求中常见的Content-Type类型

Post请求中常见的Content-Type类型

Post请求中常见的Content-Type类型的结构 （1）application/x-www-form-urlencoded 这是浏览器原生的form表单类型，或者说是表单默认的类型。 下面是一个请求实例： 请求报文： 可以看得出，post将请求参数以k…
阅读更多...
python学习笔记（常用方法）

python学习笔记（常用方法）

方法1：字符串中元素大小写 1.name.title():首字母大写 2.name.upper():全部大写 3.name.lower():全部小写 # 字母大小写 nametian yang print(name.title()) # 首字母大写 print(name.upper()) # 全部大写 print(name.lower()) # 全部小写 Tian Yang TIAN YANG tia…
阅读更多...
银行押款车远程监控系统的实际需求与特点

银行押款车远程监控系统的实际需求与特点

随着金融行业的快速发展，银行押款车的安全性问题日益受到重视。传统的押款车监控方式已经无法满足现代安全管理的需求，因此，一种结合先进技术的远程监控系统应运而生。本文旨在探讨在运钞车上安装车载摄像机和集成有GPS、无线4G网络传输模块的…
阅读更多...
温湿度上传数据到云平台机智云

温湿度上传数据到云平台机智云

esp8266使用前的操作 固件修改 如果之前添加过 想要再次添加就把解压的文件夹删了 在重新解压一个 硬件连线 需要两个CH340（USB转TTL模块） 一个CH340模块的TX和RX分别于esp8266的RX和TX连接 3V3和GND也连接 另一个模块只需要连接一根线 就是GND连…
阅读更多...
运筹系列91：vrp算法包PyVRP

运筹系列91：vrp算法包PyVRP

1. 介绍 PyVRP使用HGS（hybrid genetic search）算法求解VRP类问题。在benchmark上的评测结果如下，看起来还不错： 2. 使用例子 2.1 CVRP COORDS [(456, 320), # location 0 - the depot(228, 0), # location 1(912, 0), …
阅读更多...
Wireshark安装教程

Wireshark安装教程

一、下载 地址：https://www.wireshark.org/download.html打开网址后，点击相应的版本下载： 二、安装 下载完成后双击文件开始安装 点击Next 点击Noted 点击Next 点击Next 点击Next 可以点击Browse更改安装路径，默认…
阅读更多...
Python实时聊天机器人框架之errbot使用详解

Python实时聊天机器人框架之errbot使用详解

概要 在现代软件开发中，即时通讯和自动化任务的需求越来越重要。Python的Errbot库是一个强大的实时聊天机器人框架，可以帮助开发者快速构建自定义的聊天机器人应用，提供了丰富的特性和灵活的扩展能力。 安装 Errbot的安装非常简单，可以通过pip工具进行安装： pip instal…
阅读更多...
力扣【LeetCode】258：各位相加

力扣【LeetCode】258：各位相加

🎁个人主页：我们的五年 🔍系列专栏：每日一练 🌷追光的人，终会万丈光芒 前言： 【LeetCode】真的是一个好网站呀，上面的题目的太经典了，提供的方法也很很多，非…
阅读更多...
抖店怎么高效选品？99%卖家都容易忽略的选品秘密

抖店怎么高效选品？99%卖家都容易忽略的选品秘密

大家好，我是电商花花。 选品是我们做抖店商家最为担心的问题，如果选品选的不多，就很容易影响我们店铺的销量和转化，所以我们在做店的时候一定要学会高效选品。 今天花花分享一招高效选品的方法，或许大家都注意到&…
阅读更多...
remote: HTTP Basic: Access deniedfatal: Authentication failed for

remote: HTTP Basic: Access deniedfatal: Authentication failed for

$ git push -u origin main remote: HTTP Basic: Access denied fatal: Authentication failed for https://gitcode.com/edenl/GD32E350_hid_keyboard.git/ 使用访问令牌做为密码登录即可。
阅读更多...
uniapp小程序订阅通知

uniapp小程序订阅通知

服务 开通订阅服务 const tmplIds ref([tsdasdadasdfgdrtwexQHdEsjZV])//换成自己的 function confirm(){uni.requestSubscribeMessage({tmplIds: tmplIds.value,success: (res) > {// console.log(res)let auth_notice res[tmplIds.value[0]] accept ? 1 : 2 //1是接…
阅读更多...
WPF 资源基础

WPF 资源基础

动态资源/静态资源 UI代码 <Window x:Class"WpfApp1.MainWindow"xmlns"http://schemas.microsoft.com/winfx/2006/xaml/presentation"xmlns:x"http://schemas.microsoft.com/winfx/2006/xaml"xmlns:d"http://schemas.microsoft.com/ex…
阅读更多...
Kafka 3.x.x 入门到精通（08）——对标尚硅谷Kafka教程

Kafka 3.x.x 入门到精通（08）——对标尚硅谷Kafka教程

Kafka 3.x.x 入门到精通&#xff08;08&#xff09;——对标尚硅谷Kafka教程 5. Kafka优化5.1 资源配置5.1.1 操作系统5.1.2 磁盘选择5.1.3 网络带宽5.1.4 内存配置5.1.5 CPU选择 5.2 集群容错5.2.1 副本分配策略5.2.2 故障转移方案5.2.3 数据备份与恢复 5.3 参数配置优化5.4 数…
阅读更多...
西安交通大学 915 备考常见误区

西安交通大学 915 备考常见误区

看到助教在 915 全程班群里给同学们解答问题&#xff0c;我也是感触颇深&#xff0c;想起来我当年自身的一个备考情况。接下来结合我自身情况给同学们分析一下&#xff0c;为什么有的同学基础一般&#xff0c;最后分数却很高&#xff0c;有的同学基础很好&#xff0c;分数却一般…
阅读更多...
CC软件防火墙和WEB应用防火墙哪个好

CC软件防火墙和WEB应用防火墙哪个好

本文将从CC软件防火墙的定义、原理、功能以及应用方面进行全面探讨&#xff0c;旨在加深对CC软件防火墙的理解&#xff0c;并推动网络安全意识的普及。以及WEB应用防火墙二者之间的对比。让用户更了解两个形态产品并作出选择。 第一部分&#xff1a;CC软件防火墙的定义和原理 …
阅读更多...
探索UTONMOS《神念无界-源起山海》元宇宙游戏的奇幻世界

探索UTONMOS《神念无界-源起山海》元宇宙游戏的奇幻世界

在科技的前沿&#xff0c;元宇宙游戏如同一扇神秘的大门&#xff0c;缓缓开启&#xff0c;引领我们进入一个前所未有的奇幻世界。 UTONMOS《神念无界-源起山海》元宇宙游戏是数字世界的巅峰之作&#xff0c;它打破了现实与虚拟的界限&#xff0c;让玩家能够身临其境地体验各种奇…
阅读更多...
新开的拼多多店铺怎么运营

新开的拼多多店铺怎么运营

今天给大家分享一下如何在拼多多平台上开设并运营一家店铺。不管你是创业者还是小型商家&#xff0c;相信这个话题都会对你有所帮助。 拼多多新店需要做些推广提高店铺权重 新店用3an推客做推广比较好 3an推客是给商家提供的营销工具&#xff0c;3an推客CPS推广模式由商家自主…
阅读更多...
C++笔试强训day7

C++笔试强训day7

目录 1.字符串中找出连续最长的数字串 2.岛屿数量 3.拼三角 1.字符串中找出连续最长的数字串 链接 我的思路很简洁&#xff0c;就是双指针遍历&#xff0c;然后不断更新左位置left和右位置right和长度len。 然后我写代码的时候代码思路没跟上原本思路&#xff0c;直接把所有…
阅读更多...
实验七 智能手机互联网程序设计（微信程序方向）实验报告

实验七 智能手机互联网程序设计（微信程序方向）实验报告

请编写一个用户登录界面&#xff0c;提示输入账号和密码进行登录&#xff0c;要求在输入后登陆框显示为绿色&#xff1b; 二、实验步骤与结果&#xff08;给出对应的代码或运行结果截图&#xff09; index.wxml <view class"content"> <view class"a…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023