# hieuler_tinyml_sample

**Repository Path**: HiEuler/hieuler_tinyml_samp

## Basic Information

- **Project Name**: hieuler_tinyml_sample
- **Description**: 基于TinyML的苹果目标检测案例
- **Primary Language**: Unknown
- **License**: MulanPSL-2.0
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 2
- **Forks**: 0
- **Created**: 2024-01-25
- **Last Updated**: 2025-03-17

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# hieuler_tinyml_sample


### 介绍
基于TinyML的苹果目标检测案例

#### 环境准备
请您参考TinyML环境搭建手册在下面步骤开始之前准备好您的TinyML环境  
注：涉及到开发包获取请联系开发板供应商

#### 数据集准备

1.  数据集介绍：
原始数据集JPEGImages图片数量为11013张，在进行数据集划分时本实验划分脚本将把数据集划分为train、test、val。TinyML训练只需要train、val两个数据集即可。本实验只想放入适量数据集到train里面（减少训练时间），所以train里面划入3303张图片，val划入5张图片。test里面划入的数据将被舍弃不参与训练。可根据个人需求对划分脚本进行修改。

2.  val数据集介绍：
val里面只划入5张图片，是为了加快训练速度，建议只划入10张左右些许少量的图片即可。

3.  数据集制作：

本实验Annotations与JPEGImages下载链接：https://aistudio.baidu.com/datasetdetail/258349

请在qrcode_dataset下建立下面目录：




![输入图片说明](%E5%9B%BE%E7%89%871.png)


         (1)Annotations下txt为yolo格式信息，JPEGImages下为图片

         (2）train_test_val文件夹以及其下面的子文件夹为空文件夹

         (3)请您在服务器上qrcode_detect目录下执行命令进行数据集划分： python split_train_val.py
         
         (4)请您在qrcode_detect目录下military_object.names中写入您的类别，本实验为apple

         (5)请您在服务器上qrcode_detect目录下执行命令：python train_coco.py,命令执行完94服务器 
            上qrcode_detect/qrcode_dataset目录下生成train.json

         (6)请您在服务器上qrcode_detect目录下执行命令：python val_coco.py,执行完后将在 
            qrcode_detect/qrcode_dataset目录下生成val.json

         (7)请您在服务器上执行以下命令：
                            .                    cd  SS928V100/sample/qrcode_detect/qrcode_dataset
                            .                    mkdir  val
                            .                    cp    -r  ./train_test_val/images/val   ./val/
                            .                    mv     ./val/val     ./val/images
           执行完以上命令后服务器上将会在qrcode_dataset/val/images 下包含train_test_val/images/val 的图片

         (8)请您到94服务器上qrcode_detect目录下执行：python lutxt.py,执行完后将在qrcode_detect目录下生成 
            deploy_data_list.tx
   

   





#### 训练
4.  请您连接好您的开发板，并保证板子和您的服务器能够互ping。并保证服务器端nfs正常，板子能对服务器端文件进行mount
5.  请您在服务器上切换到训练环境:  conda activate your_name

6.  请您在服务器上qrcode_detect目录下执行此命令：  rm -rf search_workspace
7.  请您在服务器上qrcode_detect目录下执行此命令：  tinyml_cmd -t search -p search_qrcode_detect.py
8.  训练完成后服务器上qrcode_detect目录下将生成search_workspace文件夹



####  :star: 训练补充说明
****1*****  数据集制作：此处提供xml转coco格式

1.1  文件夹路径如下：

![输入图片说明](1706510759231.png)

1.2  把xml-coco文件下的py文件移动到qrcode_detect下进行运行，运行步骤同上面yolo转coco


****2*****  提高训练速度说明：

2.1  减少val数据集数量
    
2.2  适当把sample_per_gpu和num_work改大一点，需要保证您的gpu数量乘以sample_per_gpu乘以num_worker小于训练集的总 
         数，不能太大，太大显存会爆，所以sample_per_gpu一般16 32 64 num_worker一般2 4 8 ，每张卡上一次训练的sample 
         数，也叫batchsize，num_worker是数据处理的进程数。