机器视觉
【源码】：技术交流帖，有做Darknet+YOLOV3移植到海思 NNIE 上的吗？
墨衍会员 · AI 创作全网分发 墨衍智能分发 通过墨衍一键同步至各平台 可同步平台 CSDN微信公众号微博知乎掘金百家号博客园抖音小红书 你的文章也可以这样分发 墨衍会员 ¥399起/年，写一次发全网
我也要 关注 + 加入社区就想问一下，BBS里有没有朋友在跑 Darknet+YOLOV3 训练自己的数据集，然后移植到Hi3516CV500、16DV300、Hi3519AV100的 NNIE 上，识别效果怎么样，准确率高吗？ 比如：人脸、人形识别或是做其他 物体识别 的。。。
我们之前做过海思方案AI IPCAM（人脸抓拍、比对机）Hi3516AV200+地平线、Hi3516CV500+阅面 or FACE++算法，Hi3520D、Hi3521A、Hi3531A、Hi3536D NVR、MDVR软件，PC客户端软件做过 DXVA2、CUDA的硬解。以后想在 Hisilicon 平台上做 AI 算法，想结交技术方面志同道合的朋友，欢迎站内短信联系
相关推荐
HI3516DV300上YOLOv3实时检测实战：NNIE适配与推理链重构
YOLOv3作为经典单阶段目标检测模型，在嵌入式端部署需突破算力、内存与硬件加速器约束。NNIE是海思SoC内置的专用神经网络推理引擎，仅支持INT8量化、静态图及有限算子集，要求模型结构裁剪、anchor重聚类与纯C后处理。理解NNIE硬件限制（如4MB权重内存、无upsample支持）是实现高效推理的前提；结合VI-VPSS-NNIE-VO视频流水线，可构建低延迟、高鲁棒的实时视觉系统。本文聚焦HI3516DV300平台，详解YOLOv3在NNIE上的结构适配、量化校准与生产级集成，覆盖anchor重定
HI3516DV300部署YOLOv3-tiny实战：嵌入式端实时目标检测落地指南
YOLOv3-tiny作为轻量级目标检测模型，在资源受限的嵌入式视觉芯片上具备工程落地潜力。其核心原理是通过深度可分离卷积与特征金字塔结构平衡精度与算力消耗，技术价值在于以极低内存占用（<50MB）和有限FLOPs实现mAP@0.5>50%的检测性能，广泛应用于IPC、边缘摄像头等低功耗安防设备。实际部署需结合硬件特性进行模型剪枝、ONNX合规转换、INT8量化校准及IVE/NNIE协同调度——尤其在HI3516DV300这类无GPU、仅含SVP加速单元的SoC上，必须规避BatchNorm融合、强制通道对
JEP30-PX100A PartModel Product Guidelines for Electronic-Device Substrates and Assemblies – XML Requ
JEP30-PX100A PartModel Product Guidelines for Electronic-Device Substrates and Assemblies – XML Requirements
基于Matlab的自动睡眠粒状结构检测算法，从脑电信号中进行。.zip
1.版本：matlab2014a/2019b/2024b 2.附赠案例数据可直接运行。 3.代码特点：参数化编程、参数可方便更改、代码编程思路清晰、注释明细。 4.适用对象：计算机，电子信息工程、数学等专业的大学生课程设计、期末大作业和毕业设计。
JEP375 2.5D_3D Silicon thinned wafers with Through Silicon Vias (TSV’s) and Backside Redistribution
JEP375 2.5D_3D Silicon thinned wafers with Through Silicon Vias (TSV’s) and Backside Redistribution Layer (RDL).pdf
