训练硬件平台：SOM5992（至强E3系列CPU）、8G_DDR4内存、GTX1050ti
运行硬件平台：EPC-R5770
OS版本：发行版ubuntu18.04
软件版本：
Anconda3: 5.2.0-Linux-x86_64(PYTHON3.6)
Caffe： caffe-segnet
NVIDIA Driver: 450.66
CUDA： 8.0.61_375.26
cudnn: 8.0-linux-x64-v5.1
sudo apt-get install libprotobuf-dev libleveldb-dev libsnappy-dev libopencv-dev libhdf5-serial-dev protobuf-compiler
sudo apt-get install --no-install-recommends libboost-all-dev
sudo apt-get install libgoogle-glog-dev
sudo apt-get install libopenblas-dev
sudo apt-get install liblmdb-dev
sudo apt-get install libgflags-dev
sudo apt-get install libatlas-base-dev
sudo apt-get install build-essential cmake libgtk2.0-dev pkg-config python-dev python-numpy libavcodec-dev libavformat-dev libswscale-dev
sudo apt-get install libavformat-dev libswscale-dev libtbb2 libtbb-dev libjpeg-dev libpng-dev libtiff-dev libdc1394-22-dev
caffe-segnet
将SegNet-Tutorial-master.zip解压到根目录并重命名为SegNet
unzip SegNet-Tutorial-master.zip
mv SegNet-Tutorial-master /SegNet
SegNet内容如下：
修改segnet模型适配于EPC-R5770平台
由于segnet作者已提供segnet的模型结构，其路径为
/SegNet/Models/segnet_train.prototxt
该模型通过训练可以在x86平台上正常运行，可无法迁移至EPC-R5770当中，我们需要将模型进行一定的修改,具体如下：
1. NNIE没有支持 BN层，而只支持caffe 1.0当中的batch norm层
解决方法：将prototxt文件当中的BN层修改为batchnorm层及Scale层，如图所示
1）对于训练的prototxt
（左）修改前 （右）修改后
2）对于推理的prototx
（左）修改前 （右）修改后
2.将数据集的样本size改为384*480
可以自行编写opencv脚本对数据集进行批量的图像大小修改
3.将upsample5与upsample4层的参数upsample_w与upsample_h注释掉
如下
4.将batch_norm层的moving_average_fraction参数修改为0.9
如下
5.segnet_train.prototxt的batch_size设置为1
一个batch_size占用了3.2G内存
6.solver文件中添加iter_size: 5
batch_size太小不利于模型的收敛，因此设置5次训练才做一次回归
1.下载预训练过的VGG16的weights
链接如下：
http://www.robots.ox.ac.uk/~vgg/research/very_deep/
2.训练segnet-VGG16模型
用VGG_ILSVRC_16_layers.caffemodel作为初始化权重
mkdir /SegNet/Models/Training/
./build/tools/caffe train -gpu 0 -solver/SegNet/Models/segnet_solver.prototxt -weights/SegNet/Models/VGG_ILSVRC_16_layers.caffemodel
大约训练50-100 epochs就可以得出不错的结果
3.修改/SegNet/Scripts/compute_bn_statistics.py的185行的输入图像尺寸大小及190-194行注释
如图所示
生成deploy.prototxt及test_weights.caffemodel
sudo python /SegNet/Scripts/compute_bn_statistics.py/SegNet/Models/segnet_train.prototxt/SegNet/Models/Training/segnet_iter_40000.caffemodel /SegNet/Models/Inference/
修改deploy.prototxt的相关格式
修改输入层格式
（左）修改前 （右）修改后
修改所有batch_norm层的use_global_stats为true
（左）修改前 （右）修改后
经过修改过后，deploy.prototxt及test_weights.caffemodel可以用于EPC-R5770做模型的转换了。
4.测试模型
sudo python /SegNet/Scripts/test_segmentation_camvid.py --model/SegNet/Models/segnet_inference.prototxt --weights/SegNet/Models/Inference/test_weights.caffemodel --iter 1
效果如图所示：
模型转换所用到的工具是Ruyi studio 其环境搭建过程及转换方法请参考EPC-R5770相关文档
转换所用到的配置文件内容，如图所示：
根据以上的配置，点击build按钮即可转换模型
出现Successfully，即转换成功。
更多AI整合软硬件解决方案
及技术服务分析
可关注研华嵌入式物联网伙伴峰会
11/19-11/21
3大主题峰会，70+细分话题
疫情大考和新基建等环境下，企业数字化转型全面加速，数据驱动、数智融合的价值逐渐释放。为加速物联网美好未来的实现，研华今年的工业物联网伙伴峰会，将会聚焦嵌入式物联网、工业物联网、智慧城市三大主题，围绕智慧工厂、智能装备、智慧能源与环境、智能交通、智慧医疗、智慧零售、智能物流等垂直产业，探讨边缘计算、产业AI、嵌入式创新、中国芯、工业通信、工业云平台等技术话题。
100+业界专家，“慧”聚云端
站在大咖的肩膀上看世界，无疑会对企业的战略方向起到重要指导作用。本次盛会，研华也邀请了来自中国信通院、工业互联网产业联盟、中科院、清华大学互联网产业研究院等100多位专家学者、商业大咖以及行业领导者汇聚云端，分享他们对AIoT的前沿洞察及发展策略，探讨工业物联网落地实践经验，全面激发物联网发展新思路。
50+伙伴齐聚，共赢物联大未来
通往未来的征程绝不是孤军奋战，而是产业链伙伴间的协同与互利共赢,唯有生态互联，方可决胜工业物联网未来。本次峰会，研华也将携手英特尔、ARM、微软、京东物流、软通智慧等全球50多家合作伙伴，共同探讨AIoT新时代、新思路及新发展，一起共创、共享、共赢物联大未来！
会上将有大量知识性主题演讲
和引人深思的议题探讨
干货满满，大咖云集，不可错过~
扫码一键报名
即刻领取
↓↓↓
文末福利
关于研华
研华成立于1983年，以“智能地球的推手”作为企业品牌愿景，一直专注于工业物联网、嵌入式物联网及智慧城市三大市场。为迎接物联网、大数据与人工智能的大趋势，研华提出以边缘智能和WISE-PaaS工业物联网云平台为核心的物联网软、硬件解决方案，协助客户伙伴串接产业链。研华业务分布全球27个国家，拥有近8,000名员工，以强大的技术服务及营销网络，为客户提供本土化响应的便捷服务。此外，研华积极推进产业伙伴共创，加速AIoT生态圈布建与发展。
研华网站：www.advantech.com.cn
研华微信：研华嵌入式
服务热线：400-001-9088
▼点击查看直播日历！
