跌倒检测模型

基于Yolov5n构建的摔倒检测模型，用于检测图像中是否存在摔倒行为，适用于kendryte系列K230/K230D芯片

# 摔倒检测模型 ## 概述 本模型是基于Yolov5n构建的一个摔倒检测模型，用于检测图像中是否存在摔倒行为。 摔倒检测模型输入形状为[1,3,640,640]，输出形状为[1,80,80,21]、[1,40,40,21]和[1,20,20,21]。三个输出分别对应了8倍、16倍和32倍降采样特征图推理结果，21表示anchor_num*(坐标+目标置信度+类别置信度)，共有三组锚框，坐标占4，目标置信度占1，类别置信度占2（包括跌倒和未跌倒两个类别）。 输出通过后处理可以得到检测结果，包括框的位置、置信度和类别。 ## 转换脚本说明 本模型的转换脚本为`convert_kmodel.py`，使用方法如下： ```bash python convert_kmodel.py --target k230 --model yolov5n_falldown.onnx --ptq_option 0 --calib_dir ./calibration_data --sample_count 20 ``` 参数说明： | 参数 | 说明 | | --- | --- | | `--target` | 目标芯片，默认值为`k230`，可选`k230`和`cpu`，选择`cpu`时不存在量化过程 | | `--model` | 输入的onnx模型路径 | | `--ptq_option` | 量化过程的校准方式和精度，默认值为0，表示默认校准方式为 `Noclip`,精度为权重`uint8`，数据`uint8` | | `--calib_dir` | 校准数据集目录，默认值为`./calibration_data` | | `--sample_count` | 校准数据集样本数量,默认值为20 | ## 参数说明 在使用nncase转换kmodel的过程中，最重要的两部分参数为编译选项部分和量化选项部分，当前模型这两部分参数设置如下表所示： - **编译选项参数说明** | 参数 | 设置值|说明| | --- | --- | --- | |`compile_options.target`|`k230`|编译目标硬件,这里选择k230| |`compile_options.preprocess`|`True`|是否将部分预处理封装进模型内部，这里设置为True| |`compile_options.swapRB`|`False`|当开启预处理时，是否交换输入的RB通道，这里设置为False，不交换RB通道，这里的设置看模型需要什么顺序和数据源是什么顺序| |`compile_options.input_shape`|`[1,3,320,320]`|当开启预处理时，设置模型输入形状为[1,3,320,320]| |`compile_options.input_type`|`uint8`|当开启预处理时，指定输入数据类型为`uint8`| |`compile_options.input_range`|`[0,255]`|当开启预处理时，指定反量化后输入数据范围，这里设置为[0,255]| |`compile_options.mean`|`[0, 0, 0]`|当开启预处理时，指定输入数据前处理标准化的均值，这里设置为[0, 0, 0]| |`compile_options.std`|`[255, 255, 255]`|当开启预处理时，指定输入数据前处理标准化的标准差，这里设置为[255, 255, 255]| |`compile_options.input_layout`|`NCHW`|指定输入数据布局为`NCHW`| |`compile_options.output_layout`|``|不指定输出数据布局| - **量化选项参数说明** | 参数 | 设置值|说明| | --- | --- | --- | |`ptq_options.samples_count`|`10`|量化时使用校准数据的数量| |`ptq_options.calibrate_method`|`Noclip`|指定量化校准方法为`Noclip`| |`ptq_options.w_quant_type`|`uint8`|指定权重量化精度为`uint8`| |`ptq_options.quant_type`|`uint8`|指定数据量化精度为`uint8`| ## 输出结果 模型转换完成后，将在当前目录生成同名的 `yolov5n_falldown.kmodel` 文件。

查看完整页面