導讀

2023年以ChatGPT為代表的大語言模型橫空出世，它的出現標志著自然語言處理領域取得了重大突破。它在文本生成、對話系統和語言理解等方面展現出了強大的能力，為人工智能技術的發展開辟了新的可能性。同時，人工智能技術正在進入各種應用領域，在智慧城市、智能制造、智慧醫療、智慧農業等領域發揮著重要作用。

柴火創客2024年將依托母公司Seeed矽遞科技在人工智能領域的創新硬件，與全球創客愛好者共建“模型倉”，通過“SenseCraft AI”平臺可以讓使用者快速部署應用體驗人工智能技術！

RT-DETR

目標檢測一直面臨著一個重大挑戰-平衡速度和準確性。像YOLO這樣的傳統模型速度很快，但需要一個名為非極大值抑制（NMS）的后處理步驟，這會減慢檢測速度。NMS過濾重疊的邊界框，但這會引入額外的計算時間，影響整體速度。

RT-DETR 實時端到端目標檢測器，旨在解決現有目標檢測方法在速度和精度上的問題。該方法在保持較高檢測精度的同時，顯著提升了推理速度，為實時目標檢測提供了新的解決方案。

RT-DETR是基于DETR架構的端到端對象檢測器，完全消除了對NMS的需求。通過這樣做，RT-DETR顯著減少了之前基于卷積神經網絡（CNN）的對象檢測器（如YOLO系列）的延遲。它結合了強大的主干、混合編碼器和獨特的查詢選擇器，可以快速準確地處理特征。

RT-DETR 架構的關鍵組成

骨干網絡：提取特征，文中實驗了 ResNet 和可縮放的 HgNetV2 兩種骨干網絡，選擇其最后三個階段的特征輸入到編碼器。

高效混合編碼器：通過解耦尺度內交互和跨尺度融合來高效處理多尺度特征，它由兩部分組成：

·AIFI（Attention-based Intra-scale Feature Interaction）：僅在上使用單尺度 Transformer 編碼器進行層內特征交互，以捕獲更豐富的語義概念，降低復雜度并提高整體精度。

·CCFF（CNN-based Cross-scale Feature Fusion）：基于跨尺度融合模塊進行優化，在融合路徑中插入多個由卷積層組成的融合塊，用于融合相鄰尺度的特征。融合塊包含兩個 1×1 卷積調整通道數，使用 RepConv 組成的 N 個 RepBlocks 進行特征融合，通過元素相加融合兩條路徑的輸出。

Transformer 解碼器：解碼器通過不確定性最小查詢選擇模塊，從編碼器輸出的特征序列中選擇固定數量的特征作為初始對象查詢，然后利用輔助預測頭迭代優化對象查詢，生成類別和邊界框。

此外，RT-DETR 支持靈活調整推理速度，通過調整解碼器層數實現，而無需重新訓練。同時，它還支持通過控制編碼器和解碼器的參數來實現模型的縮放。

RT-DETR特點

高效混合編碼器：采用高效混合編碼器，通過解耦尺度內交互和跨尺度融合來處理多尺度特征。這種基于 Vision Transformers 的獨特設計降低了計算成本，允許實時物體檢測。

IoU 感知查詢選擇：利用 IoU 感知查詢選擇改進了對象查詢初始化，使模型能夠專注于場景中最相關的對象，從而提高檢測準確性。

推理速度可調：支持通過使用不同的解碼器層靈活調整推理速度，無需重新訓練。這種適應性有助于在各種實時目標檢測場景中的實際應用。

實時性能：實現了實時目標檢測速度，相比許多基于 Transformer 的模型，其推理速度更快。

無錨框設計：不依賴于錨框，直接預測物體的邊界框和類別，提高了模型的靈活性和檢測效率，減少了超參數調優的工作量，提升了小目標檢測的性能。

端到端訓練：采用端到端的訓練方式，不需要像傳統的檢測方法那樣經過復雜的后處理步驟，如非極大值抑制（NMS），提高了訓練效率并減少了推理的復雜度。

高精度：在速度和精度方面均超過了 YOLO 系列等其他實時檢測器，例如 RT-DETR-R50 在 COCO val2017 上達到 53.1% 的 AP 和 108 FPS，RT-DETR-R101 達到 54.3% 的 AP 和 74 FPS。

可擴展性：支持模型的縮放，通過控制編碼器和解碼器的參數，如調整寬度（嵌入尺寸和通道數）和深度（Transformer 層數和 RepBlocks），以適應不同場景的需求。

高效處理多尺度特征：集成了多尺度特征融合模塊，能夠同時處理大中小不同尺寸的目標，在檢測小目標時表現優異。

帳篷檢測模型

該 AI 模型利用先進的 Swift yolo 算法，專注于帳篷識別，可以在實時視頻流中準確檢測和標記帳篷。它特別適用于 Seeed Studio Grove Vision AI （V2） 設備，提供高兼容性和穩定性。

露營場景應用

營地管理與布局優化：

- 幫助營地主動監控帳篷的分布情況，可以分析不同區域的帳篷數量，優化露營地的布局，確保合理利用空間，避免擁堵。

安全與防災：

- 在天氣突變或出現自然災害時（如暴風雨、洪水等），可以實時檢測帳篷所在地的環境變化，警告營地管理者采取相應措施，保障露營者的安全。

資源分配與監控：

- 管理者可以根據檢測到的帳篷數量和分布，合理分配營地的水、電及其他資源，更高效地滿足露營者的需求。

數據收集與分析：

- 通過持續監測帳篷的數量和動態變化，營地管理者可以收集露營高峰期的數據，從而為未來的活動策劃和資源配置提供參考。

客戶體驗提升：

- 通過分析帳篷的分布及活動情況，管理者可以為露營者提供個性化的建議，如推薦適合的露營區域、活動和服務，提升整體體驗。

野生動物監測與管理：

- 利用帳篷檢測技術，營地管理人員可以監控露營區域對當地生態環境的影響，合理安排活動，以保護野生動物棲息環境。

應急響應：

- 在緊急情況下，例如露營者的失蹤或事故發生時，模型可以幫助定位帳篷位置，快速調派救援力量。

智能化露營服務：

- 在自動化和智能化露營平臺中，帳篷檢測模型可以與其他智能設備和系統集成，為露營者提供實時信息和服務，如天氣預報、急救指引等。

在Grove-VisionAIV2上部署模型

1、打開SenseCraft AI平臺，如果第一次使用請先注冊一個會員賬號，還可以設置語言為中文。

平臺地址：https://sensecraft.seeed.cc/ai/#/model

2、在頂部單擊【預訓練模型】菜單，在公共AI模型列表9中找到【帳篷檢測】模型，單擊此模型圖片，如下圖所示。

3、進入【帳篷檢測】模型介紹頁面，單擊右側的“部署模型”按鈕，如下圖所示。

4、進入部署帳篷檢測模型頁面，按提示步驟先連接攝像頭，再連接設備到電腦USB接口上，最后單擊【連接設備】按鈕，如下圖所示。

5、彈出部署模型窗口，單擊“確定”按鈕，如下圖所示。

6、彈出連接到串行端口窗口，選擇端口號后單擊“連接”按鈕，如下圖所示。

7、開始進行模型部署、固件下載、設備重啟等過程，完成后在預覽中即可看到當前攝像頭視頻內容，將攝像頭對準露營中的帳篷圖片查看預測效果，如下圖所示。

預測效果視頻演示

Grove Al視覺模塊 V2套裝介紹

Grove Al視覺模塊 V2

OV5647-62攝像頭

Grove - Vision Al Module V2是一款拇指大小的人工智能視覺模塊, 配備Himax WiseEye2 HX6538處理器, 該處理器采用 ArmCortex-M55雙核架構。

它具有標準的CSI接口, 并與樹莓派相機兼容。它有一個內置的數字麥克風和SD卡插槽。它非常適用于各種嵌入式視覺項目。

有了SenseCraft Al算法平臺, 經過訓練的ML模型可以部署到傳感器, 而不需要編碼。它兼容XIAO系列和Arduino生態系統, 是各種物體檢測應用的理想選擇。

Arm Ethos-U55 嵌入式神經網絡處理器（NPU）

嵌入式神經網絡處理器（NPU）是一種特別設計用于執行神經網絡計算的高效率處理器。它主要基于數據驅動并行計算架構，特別擅長處理視頻、圖像等大量的多媒體數據。NPU模仿了生物神經網絡的架構，與CPU、GPU相比，它能夠通過更少的指令（一條或幾條）完成神經元的處理，因此在深度學習的處理效率方面具有明顯優勢。

它具有標準的CSI接口, 并與樹莓派相機兼容。它有一個內置的數字麥克風和SD卡插槽。它非常適用于各種嵌入式視覺項目。

有了SenseCraft Al算法平臺, 經過訓練的ML模型可以部署到傳感器, 而不需要編碼。它兼容XIAO系列和Arduino生態系統, 是各種物體檢測應用的理想選擇。

主要硬件配置

- 板卡基于WiseEye2 HX6538處理器, 采用雙核ARM Cortex-M55架構 。

- 配備集成Arm Ethos-U55微神經網絡加速單元, 兼容的樹莓派相機

- 板載PDM麥克風, SD卡插槽, Type-C, Grove接口, 豐富的外設支持樣機開發 。

- Seeed Studio XIAO的可擴展性, SenseCraft Al的現成AI模型用于無代碼部署。

- 支持各種有效的模型, 包括MobilenetV1、MobilenetV2、 Eficientnet-Lite、Yolov5和Yolov8。

寫在最后

SenseCraft-AI平臺的模型倉數量還很少，但是好消息是它支持自定義模型上傳并輸出推理結果，平臺會逐漸增加模型倉的數量和分享有愛好者設計的模型倉原型，敬請關注！