SqueezeNet的ARM和树莓派案例

ARM

1. ARM Compute Library案例：

• 案例：
  ARM 计算库（ACL）提供了CNN的基本构造块，比如激活、卷积、全连接和局部连接、规范化、池化和softmax功能. 文章通过这些组件构建SqueezeNet ，并与通过tensorflow构建的SqueezeNet进行比较，
• 产品化程度：
  理论性较强，产品化程度不高。重点介绍了如何通过ACL构建SqueezeNet架构的CNN推理机 ，并与通过Zuluko上tensorflow构建的SqueezeNet进行比较。
  -SqueezeNet 起到的作用：
  作为用于测试ACL性能的神经网络模型。
• 链接：
  https://arxiv.org/pdf/1704.03751.pdf 和
  https://community.arm.com/iot/embedded/b/embedded-blog/posts/perceptin-enabled-embedded-deep-learning-inference-engine-with-the-arm-compute-library
• 代码：
  ACL中样例SqueezeNet的C++代码 https://github.com/ARM-software/ComputeLibrary/blob/master/examples/graph_squeezenet_v1_1.cpp

Raspberry Pi 3

1. 用opencv在树莓派上部署SqueezeNet

• 案例：用OpenCV3.3.0在Raspberry Pi 3上部署 pre-trained SqueezeNet Neural Network
• 产品化程度：
  比较高，可以输出结果。

1
2
3
4
5
6
7
8
9
10
11

（1）在图像上绘出最高的预测分类标签和相应的概率
（2）将前五个结果和概率打印到终端
（3）将图像显示在屏幕上

[INFO] loading model...
[INFO] classification took 0.4432 seconds
[INFO] 1. label: drake, probability: 0.25705
[INFO] 2. label: goose, probability: 0.18581
[INFO] 3. label: black stork, probability: 0.10414
[INFO] 4. label: hornbill, probability: 0.074497
[INFO] 5. label: quail, probability: 0.051127

• SqueezeNet 起到的作用：
  用于图像识别，在案例中起主要作用。
• 代码：https://github.com/appinho/Raspberry_Pi_3_Image_Classification/tree/master/SqueezeNet

2. 使用Raspberry Pi和预先训练的深度学习神经网络对输入图像进行分类

• 案例：使用Raspberry Pi 部署预先训练的深度学习网络.不通过树莓派训练模型，只做用来部署预先训练好的模型
• 产品化程度：
  比较高，可以输出具体结果，SqueezeNet比GoogLeNet速度更快，但准确率没它高
• SqueezeNet 起到的作用：进行图片分类
• 链接：https://www.pyimagesearch.com/2017/10/02/deep-learning-on-the-raspberry-pi-with-opencv/
• 代码：https://www.getdrip.com/forms/353154548/submissions

3. 在Raspberry Pi 中运行Movidius Neural Compute Stick

• 案例： 通过Raspberry Pi 、Raspbian jessie（2017-07-05）、cheep USB camera和SqueezeNet实现。
• 产品化程度：高，已实现，有demo视频可以进行实时识别。
• SqueezeNet 起到的作用：用于图像分类
• 链接：https://www.youtube.com/watch?v=41E5hni786Y 和 https://www.youtube.com/watch?v=f39NFuZAj6s

4. 使用Raspberry Pi 3进行目标检测

• 案例：使用树莓进行对象检测
• 产品化程度：不高，理论分析
• SqueezeNet 起到的作用：建议使用的神经网络之一
• 链接：https://medium.com/dt42/run-object-detection-using-deep-learning-on-raspberry-pi-3-1-55027eac26c3

其他

1. 通过SqueezeNet进行猫狗识别

• 案例：猫狗识别
• 产品化程度：一般。
• SqueezeNet 起到的作用：图像识别
• 代码：https://github.com/chasingbob/squeezenet-keras

2. MXNet在Raspberry Pi上的实时对象检测

• 案例：AWS的loT，MXNet和Raspberry Pi
• 产品化程度：比较高
• SqueezeNet 起到的作用：主要是MXNet
• 链接：
  https://mxnet.incubator.apache.org/tutorials/embedded/wine_detector.html

3. 手机上的Squeezing Deep Learning
   链接：https://www.slideshare.net/anirudhkoul/squeezing-deep-learning-into-mobile-phones