CN111190605A - 嵌入式平台的部署方法、设备及存储介质 - Google Patents
嵌入式平台的部署方法、设备及存储介质 Download PDFInfo
- Publication number
- CN111190605A CN111190605A CN201911231190.7A CN201911231190A CN111190605A CN 111190605 A CN111190605 A CN 111190605A CN 201911231190 A CN201911231190 A CN 201911231190A CN 111190605 A CN111190605 A CN 111190605A
- Authority
- CN
- China
- Prior art keywords
- embedded
- software
- files
- sending
- mainboard
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F8/00—Arrangements for software engineering
- G06F8/60—Software deployment
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Abstract
本发明公开了一种嵌入式平台的部署方法、设备及存储介质,所述一种嵌入式平台的部署方法包括以下步骤,与嵌入式主板通信,获取所述嵌入式主板的硬件环境和软件环境,基于获取的硬件环境信息和软件环境信息,将预设的软件和库文件资源发送并安装至嵌入式主板,通过人机交互界面接收用户指令后,将不同格式的训练文件转换格式并打包发送至所述嵌入式主板,将待测试数据批量拖拽上传并发送至所述嵌入式主板并使其开始测试,获取所述嵌入式主板的测速实验报告和数据分析报告。本发明通过人机交互界面实现对不同型号的嵌入式设备部署用于深度学习训练的平台、批量导入待测试数据并且批量测试待测试数据的操作,从而大大降低测试人员的工作难度并提高测试效率。
Description
技术领域
本发明涉及深度学习的嵌入式开发技术领域,特别涉及嵌入式平台的部署方法、设备及存储介质。
背景技术
随着大数据时代的发展,基于深度学习的计算机视觉越来越受到世界各国相关领域研究人员和高科技公司的重视,随着深度学习在移动设备上的使用越来越普遍,人们对嵌入式主板平台的计算能力和性能的要求越来越高。深度学习的训练和部署有很大不同,而且训练阶段和部署阶段分离,彼此独立。得益于这几年来出现的开源轻量化深度学习框架模型,例如TensorFlow Lite深度学习框架,这些模型能够减轻深度学习的运算量,有效减轻嵌入式开发板的负担。然而不同公司生产的嵌入式开发板间的组件、结构、连接方式、使用材料等存在较大差异,在配置框架环境时容易出现兼容性问题,因此要想在嵌入式主板上顺利运行深度学习,需要通过复杂的命令行完成下载源码、打补丁、找文件、安装依赖库等一系列繁琐的工作,每一步都有着不同且复杂的命令,为了完成不同的步骤,往往需要在不同的软件间切换,操作十分不便。
在使用深度学习模型时,上述方法每次只测试一张图片数据,测试前用户将需要测试的数据从个人电脑导入嵌入式开发板,传统的传输方式为使用命令行或者某些软件进行批量传输,导入待测试数据后,输入特定的命令行指令,进行在嵌入式开发板上模型的测试,但命令行只能进行一次测试,为了测试多张图片还要自行写脚本文件,每测试一次,就要重新输入命令行指令完成数据的导入和测试,假如要测试的数据中含有几千几万张图片,上述流程的工作量就非常庞大。
发明内容
为了克服现有技术的不足,本发明的目的在于提供一种嵌入式平台的部署方法、设备及存储介质,简化了深度学习的部署流程,并且提高训练模型的效率。
本发明解决其问题所采用的技术方案是:
第一方面,本发明一种嵌入式平台的部署方法,包括:
与嵌入式主板通信;
获取所述嵌入式主板的硬件环境和软件环境;
基于获取的硬件环境信息和软件环境信息,将预设的软件和库文件资源发送并安装至嵌入式主板;
通过人机交互界面接收用户指令后,将不同格式的训练文件转换格式并打包发送至所述嵌入式主板;
有益效果:本发明一种嵌入式平台的部署方法通过以下步骤:与嵌入式主板通信,获取所述嵌入式主板的硬件环境和软件环境,基于获取的硬件环境信息和软件环境信息,将预设的软件和库文件资源发送并安装至嵌入式主板,通过人机交互界面接收用户指令后,将不同格式的训练文件转换格式并打包发送至所述嵌入式主板,将待测试数据批量拖拽上传并发送至所述嵌入式主板并使其开始测试,获取所述嵌入式主板的测速实验报告和数据分析报告,从而实现对不同型号的嵌入式设备部署用于深度学习训练的平台、批量导入待测试数据并且批量测试待测试数据的操作,从而大大降低测试人员的工作难度并提高测试效率。
进一步,所述基于获取的硬件环境信息和软件环境信息,将预设的软件和库文件资源发送并安装至嵌入式主板的步骤包括:
所述软件和库文件资源中含有TensorFlow Lite深度学习框架文件和能实现测速实验功能和生成数据分析报告功能的软件。
具体地,TensorFlow Lite深度学习框架用于提供深度学习模型的训练环境,所述能实现测速实验功能和生成数据分析报告功能的软件分别用于嵌入式主板在深度学习训练过程中的测速和数据分析,并且将训练结果发送至主机。
进一步,所述基于获取的硬件环境信息和软件环境信息,将预设的软件和库文件资源发送并安装至嵌入式主板的步骤包括:
通过人机交互界面接收用户指令后,统一重新安装软件和库文件资源,安装前判断所述软件和库文件资源是否已经在所述嵌入式主板上,若不存在,则安装所述软件和库文件,若存在,命令行界面则显示所述软件和库文件资源已安装的提示信息,提取所述提示信息,从而判断软件和库文件是否安装成功。
具体地,主机通过分析所述嵌入式主板的软件环境,获取所述嵌入式主板进行深度学习模型训练过程中需要的软件和库文件资源,然后所述软件从所述主机后台集成的软件资源包中抓取对应的相库及补丁等软件资源。
主机通过ssh和sftp协议和人机交互界面接收到用户指令后自动将所述嵌入式主板在训练中需要的软件资源打包并发送至所述嵌入式主板,从而用户不需要自行分析所述嵌入式主板的硬件环境并查找所述嵌入式主板缺少的软件和库文件资源,大大降低了深度学习平台的部署难度。例如,假如嵌入式主板是MVIDIA系列的jetson Nano,则需要安装TensorRT软件,主机自行检测,如果没安装TensorRT软件则会帮嵌入式主板安装。
进一步,所述通过人机交互界面接收用户指令后,将已训练好的不同格式的训练文件转换成.tflite格式的文件并打包发送至所述嵌入式主板的步骤包括:
通过人机交互界面接收用户指令,指令包括转换前和转换后的文件格式;
将已训练好的深度学习模型文件和变量文件编译并转换文件格式;
将转换后的文件打包并发送至所述嵌入式主板。
具体地,由于TensorFlow lite深度学习框架在嵌入式主板上运行,用户必须要在桌面设备上提前训练好一个模型,并且为了实现模型的导入,还需要一些其他类型的文件,比如Graph Definition、Checkpoints以及Frozen Graph,然而只有.tflite格式的文件才能在装了TensorFlow lite库的嵌入式主板上运行,因此需要将不同格式的训练文件转换为.tflite格式的文件。用户只需在人机交互界面输入转换前和转换后的文件格式,主机便可将不同格式的训练文件转换成能在TensorFlow Lite深度学习框架中运行的.tflite格式文件。
.tflite格式的文件的转换分为3步:保存训练好的模型文件.ckpt和.pb;用freeze_graph工具生成frozen的graphdef文件;利用toco(Tensorflow OptimizingCOnverter)工具,生成最终的tflite文件。
进一步,所述通过人机交互界面接收用户指令后,将已训练好的不同格式的训练文件转换成.tflite格式的文件并打包发送至所述嵌入式主板的步骤之后,将待测试数据批拖拽上传并发送至所述嵌入式主板并使其开始测试;获取所述嵌入式主板的测速实验报告和数据分析报告。
具体地,用户可以通过人机交际界面上的按键一次性拖拽上传并发送多组数据。导入数据后,用户通过在主机相应的界面点击开始运行网络模型,便能一键完成大量针对该模型的测试。嵌入式主板记录模型开始使用的时间和使用结束的时间,并且计算得到所述测速实验的结果,所述数据分析报告包括准确率、召回率、灵敏率、特效度和综合评价指标,准确率表示预测为正的样本中真正的正样本的概率,召回率表示样本中的有多少正例被预测正确,灵敏度表示所有正例中被分对的比例,衡量了分类器对正例的识别能力,特效度表示所有负例中被分对的比例,衡量了分类器对负例的识别能力,综合评价指标是准确率和召回率的加权调和平均,当综合评价指标的值较高时说明训练模型比较有效。
第二方面,本发明提供了一种嵌入式平台的部署方法设备,
包括至少一个控制处理器和用于与至少一个控制处理器通信连接的存储器;存储器存储有可被至少一个控制处理器执行的指令,指令被至少一个控制处理器执行,以使至少一个控制处理器能够执行如上所述的一种嵌入式平台的部署方法。
第三方面,本发明提供了一种计算机可读存储介质,计算机可读存储介质存储有计算机可执行指令,计算机可执行指令用于使计算机执行如上所述的一种嵌入式平台的部署方法。
第四方面,本发明还提供了一种计算机程序产品,所述计算机程序产品包括存储在计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,使计算机执行如上所述的一种嵌入式平台的部署方法。
附图说明
下面结合附图和实施例对本发明进一步地说明;
图1为本发明实施例应用一种嵌入式平台的部署方法的软件的流程示意图。
具体实施方式
本部分将详细描述本发明的具体实施例,本发明之较佳实施例在附图中示出,附图的作用在于用图形补充说明书文字部分的描述,使人能够直观地、形象地理解本发明的每个技术特征和整体技术方案,但其不能理解为对本发明保护范围的限制。
在本发明的描述中,如果有描述到第一、第二只是用于区分技术特征为目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。
本发明的描述中,除非另有明确的限定,设置、安装、连接等词语应做广义理解,所属技术领域技术人员可以结合技术方案的具体内容合理确定上述词语在本发明中的具体含义。
参照图1,步骤S101,运行软件。首先,打开应用本发明一种嵌入式平台的部署方法的软件。
步骤S102,主机与嵌入式主板通过数据网线通信。
在其中一些实施例中,主机与嵌入式主板通过数据网线或者无线方式通信。
本发明实施例应用一种嵌入式平台的部署方法的软件中,主机与嵌入式主板通过数据网线通信。
步骤S103,所述主机检测所述嵌入式主板的软件环境和硬件环境。所述主机与所述嵌入式主板连接成功后,所述主机开始检测所述嵌入式主板的软件环境和硬件环境,所述嵌入式主板的硬件信息包括所述嵌入式主板的型号和操作系统类型。
在其中一些实施例中,主机通过用户手动选中硬件环境或者通过命令检测,从而获取所述嵌入式主板的硬件环境。一种是用户手动选中所述嵌入式主板的硬件环境,部署过程更少bug,软件上会列出常用的人工智能嵌入式主板(例如Jeston系列,RK3399)供用户选择,不同主板型号采用不同的安装步骤;另一种获取所述嵌入式主板的硬件环境的方法是通过命令检测,例如检测CPU信息:uname-a或者cat/proc/cpuinfo并且一般计算机名会把型号放进去:hostname#查看计算机名。
本发明实施例应用一种嵌入式平台的部署方法的软件中,主机通过命令检测方法获取所述嵌入式主板的硬件环境,主机通过向所述嵌入式主板发送ping包获取硬件环境,windows起始ttl值默认为128,linux和unix系统默认为64,还有一些特殊的unix系统的ttl值为255,或使用map提供的参数-O。
步骤S104,所述软件分析所述软件环境和硬件环境并将所需要的软件和库文件资源打包成一个包含TensorFlow lite的软件传输给嵌入式开发板系统,部署深度学习的环境。通过分析所述嵌入式主板的软件环境,获取所述嵌入式主板进行深度学习模型训练过程中需要的软件和库文件资源,然后所述软件从所述主机后台集成的软件资源包中抓取对应的相库及补丁等软件资源,例如,假如嵌入式主板是MVIDIA系列的jetson Nano,则需要安装TensorRT软件,主机自行检测,如果没安装TensorRT软件则会帮嵌入式主板安装。
所述软件和库文件资源中含有TensorFlow Lite深度学习框架文件以及能实现测速实验功能和生成数据分析报告功能的软件。用户通过点击所述软件的相应按键,使所述主机统一重新给所述嵌入式主板安装软件和库文件资源,安装前所述主机判断所述软件和库文件资源是否已经在所述嵌入式主板上,若不存在,则安装所述软件和库文件,若存在,命令行界面则显示所述软件和库文件资源已安装的提示信息,主机提取所述提示信息,从而判断软件和库文件是否安装成功。
步骤S105,所述主机上的软件将已训练好的不同格式的训练文件转换成.tflite格式的文件并打包发送至所述嵌入式主板。由于TensorFlow lite深度学习框架在嵌入式主板上运行,用户必须要在桌面设备上提前训练好一个模型,并且为了实现模型的导入,还需要一些其他类型的文件,比如Graph Definition、Checkpoints以及Frozen Graph,然而只有.tflite格式的文件才能在装了TensorFlow lite库的嵌入式主板上运行,因此需要将不同格式的训练文件转换为.tflite格式的文件。首先,用户在所述软件内输入转换前和转换后的文件格式,软件使用TensorFlow Lite深度学习框架中的源代码将已训练好的深度学习模型文件和变量文件编译并转换成.tflite格式的文件,最后所述软件将转换后的文件打包并发送至所述嵌入式主板。
步骤S106,所述软件将待测试数据批量发送至所述嵌入式主板并使其开始测试。所述软件提供文件拖拽功能,取代传统的使用命令行界面进行文件定位,传输等复杂指令。
在其中一些实施例中,用户通过点击所述软件上的相应按键下达传输指令,或者通过将待测试的数据文件拖拽到所述软件相应的区域内,使所述主机批量传输待测试数据至所述嵌入式主板;
本发明实施例应用一种嵌入式平台的部署方法的软件中,用户将待测试的数据文件拖拽到所述软件相应的区域内,使所述主机批量传输待测试数据至所述嵌入式主板,然后用户通过点击相应按键下达测试指令,使所述嵌入式主板开始批量测试接收到的待测试数据,从而用户通过所述软件实现一键上传和测试多组数据的操作。
步骤S107,所述嵌入式主板,将测速实验报告和数据分析报告发送至所述主机,完成神经网络的部署。所述嵌入式主板在测试数据的同时,运行从所述主机传送的所述软件资源包中能实现测速实验的软件,从而进行测速实验,记录模型开始使用到结束的时间,内部计算得到测速结果并发送给所述主机,从而保证数据结果的实时性。所述数据分析报告包括准确率、召回率、灵敏率、特效度和综合评价指标。准确率表示预测为正的样本中真正的正样本的概率,召回率表示样本中的有多少正例被预测正确,灵敏度表示所有正例中被分对的比例,衡量了分类器对正例的识别能力,特效度表示所有负例中被分对的比例,衡量了分类器对负例的识别能力,综合评价指标是准确率和召回率的加权调和平均,当综合评价指标的值较高时说明训练模型比较有效。从而用户能清楚了解深度学习模型运行的情况并改进深度学习模型。
需要说明的是,由于本实施例中的一种嵌入式平台的部署方法装置与上述的一种嵌入式平台的部署方法基于相同的发明构思,因此,方法实施例中的相应内容同样适用于本装置实施例,此处不再详述。
具体地,该一种嵌入式平台的部署方法设备包括:一个或多个控制处理器和存储器,控制处理器和存储器可以通过总线或者其他方式连接。
存储器作为一种非暂态计算机可读存储介质,可用于存储非暂态软件程序、非暂态性计算机可执行程序以及模块,如本发明实施例中的一种嵌入式平台的部署方法方法对应的程序指令/模块,控制处理器通过运行存储在存储器中的非暂态软件程序、指令以及模块,从而执行一种嵌入式平台的部署方法装置的各种功能应用以及数据处理,即实现上述方法实施例的一种嵌入式平台的部署方法方法。
存储器可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储根据一种嵌入式平台的部署方法装置的使用所创建的数据等。此外,存储器可以包括高速随机存取存储器,还可以包括非暂态存储器,例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中,存储器可选包括相对于控制处理器远程设置的存储器,这些远程存储器可以通过网络连接至该一种嵌入式平台的部署方法设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
所述一个或者多个模块存储在所述存储器中,当被所述一个或者多个控制处理器执行时,执行上述方法实施例中的一种嵌入式平台的部署方法。
本发明实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机可执行指令,该计算机可执行指令被一个或多个控制处理器执行。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
通过以上的实施方式的描述,本领域技术人员可以清楚地了解到各实施方式可借助软件加通用硬件平台的方式来实现。本领域技术人员可以理解实现上述实施例方法中的全部或部分流程是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(ReadOnly Memory,ROM)或随机存储记忆体(Random Access Memory,RAM)等。
以上是对本发明的较佳实施进行了具体说明,但本发明并不局限于上述实施方式,熟悉本领域的技术人员在不违背本发明精神的前提下还可作出种种的等同变形或替换,这些等同的变形或替换均包含在本申请权利要求所限定的范围内。
Claims (7)
1.一种嵌入式平台的部署方法,其特征在于,包括以下步骤:
与嵌入式主板通信;
获取所述嵌入式主板的硬件环境和软件环境;
基于获取的硬件环境信息和软件环境信息,将预设的软件和库文件资源发送并安装至嵌入式主板;
通过人机交互界面接收用户指令后,将不同格式的训练文件转换格式并打包发送至所述嵌入式主板。
2.如权利要求1所述的一种嵌入式平台的部署方法,其特征在于,所述基于获取的硬件环境信息和软件环境信息,将预设的软件和库文件资源发送并安装至嵌入式主板的步骤包括:
所述软件和库文件资源中含有TensorFlow Lite深度学习框架文件和能实现测速实验功能和生成数据分析报告功能的软件。
3.如权利要求2所述的一种嵌入式平台的部署方法,其特征在于,所述基于获取的硬件环境信息和软件环境信息,将预设的软件和库文件资源发送并安装至嵌入式主板的步骤包括:
通过人机交互界面接收用户指令后,统一重新安装软件和库文件资源,安装前判断所述软件和库文件资源是否已经在所述嵌入式主板上,若不存在,则安装所述软件和库文件,若存在,命令行界面则显示所述软件和库文件资源已安装的提示信息,提取所述提示信息,从而判断软件和库文件是否安装成功。
4.如权利要求1所述的一种嵌入式平台的部署方法,其特征在于,所述通过人机交互界面接收用户指令后,将已训练好的不同格式的训练文件转换成.tflite格式的文件并打包发送至所述嵌入式主板的步骤包括:
通过人机交互界面接收用户指令,指令包括转换前和转换后的文件格式;
将已训练好的深度学习模型文件和变量文件编译并转换文件格式;
将转换后的文件打包并发送至所述嵌入式主板。
5.如权利要求1所述的一种嵌入式平台的部署方法,其特征在于,所述通过人机交互界面接收用户指令后,将已训练好的不同格式的训练文件转换成.tflite格式的文件并打包发送至所述嵌入式主板的步骤之后,将待测试数据批量拖拽上传并发送至所述嵌入式主板并使其开始测试;获取所述嵌入式主板的测速实验报告和数据分析报告。
6.一种嵌入式平台的部署设备,其特征在于:包括至少一个控制处理器和用于与所述至少一个控制处理器通信连接的存储器;所述存储器存储有可被所述至少一个控制处理器执行的指令,所述指令被所述至少一个控制处理器执行,以使所述至少一个控制处理器能够执行如权利要求1-5任一项所述的一种嵌入式平台的部署方法。
7.一种计算机可读存储介质,其特征在于:所述计算机可读存储介质存储有计算机可执行指令,所述计算机可执行指令用于使计算机执行如权利要求1-5任一项所述的一种嵌入式平台的部署方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911231190.7A CN111190605A (zh) | 2019-12-05 | 2019-12-05 | 嵌入式平台的部署方法、设备及存储介质 |
PCT/CN2020/104548 WO2021109593A1 (zh) | 2019-12-05 | 2020-07-24 | 嵌入式平台的部署方法、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911231190.7A CN111190605A (zh) | 2019-12-05 | 2019-12-05 | 嵌入式平台的部署方法、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111190605A true CN111190605A (zh) | 2020-05-22 |
Family
ID=70707673
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911231190.7A Pending CN111190605A (zh) | 2019-12-05 | 2019-12-05 | 嵌入式平台的部署方法、设备及存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN111190605A (zh) |
WO (1) | WO2021109593A1 (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021109593A1 (zh) * | 2019-12-05 | 2021-06-10 | 五邑大学 | 嵌入式平台的部署方法、设备及存储介质 |
CN113065473A (zh) * | 2021-04-07 | 2021-07-02 | 浙江天铂云科光电股份有限公司 | 一种适用于嵌入式系统的口罩人脸检测和体温测量方法 |
CN113408744A (zh) * | 2021-07-08 | 2021-09-17 | 山东浪潮科学研究院有限公司 | 基于AIot和TinyML技术的多传感器多环境监测方法 |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11811681B1 (en) | 2022-07-12 | 2023-11-07 | T-Mobile Usa, Inc. | Generating and deploying software architectures using telecommunication resources |
CN116225460B (zh) * | 2023-02-15 | 2023-10-17 | 天津赛象科技股份有限公司 | 一种简化操作人员在工控机中部署软件的方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107153529A (zh) * | 2016-03-02 | 2017-09-12 | 中兴通讯股份有限公司 | 一种嵌入式软件开发方法、装置及平台 |
CN107678946A (zh) * | 2017-09-12 | 2018-02-09 | 中国航空工业集团公司洛阳电光设备研究所 | 一种基于模型的机载嵌入式软件测试环境构建方法 |
US20180144214A1 (en) * | 2016-11-23 | 2018-05-24 | General Electric Company | Deep learning medical systems and methods for image reconstruction and quality evaluation |
CN109408351A (zh) * | 2018-11-01 | 2019-03-01 | 郑州云海信息技术有限公司 | 一种ai环境检测和深度学习环境自动部署的方法和装置 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109460827A (zh) * | 2018-11-01 | 2019-03-12 | 郑州云海信息技术有限公司 | 一种深度学习环境的搭建与优化方法和系统 |
CN110096401A (zh) * | 2019-05-13 | 2019-08-06 | 苏州浪潮智能科技有限公司 | 一种服务器数据处理性能测试方法与装置 |
CN111190605A (zh) * | 2019-12-05 | 2020-05-22 | 五邑大学 | 嵌入式平台的部署方法、设备及存储介质 |
-
2019
- 2019-12-05 CN CN201911231190.7A patent/CN111190605A/zh active Pending
-
2020
- 2020-07-24 WO PCT/CN2020/104548 patent/WO2021109593A1/zh active Application Filing
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107153529A (zh) * | 2016-03-02 | 2017-09-12 | 中兴通讯股份有限公司 | 一种嵌入式软件开发方法、装置及平台 |
US20180144214A1 (en) * | 2016-11-23 | 2018-05-24 | General Electric Company | Deep learning medical systems and methods for image reconstruction and quality evaluation |
CN107678946A (zh) * | 2017-09-12 | 2018-02-09 | 中国航空工业集团公司洛阳电光设备研究所 | 一种基于模型的机载嵌入式软件测试环境构建方法 |
CN109408351A (zh) * | 2018-11-01 | 2019-03-01 | 郑州云海信息技术有限公司 | 一种ai环境检测和深度学习环境自动部署的方法和装置 |
Non-Patent Citations (2)
Title |
---|
城市守望者: ""TensorFlow Lite学习笔记2:生成TFLite模型文件"", 《HTTPS://WWW.JIANSHU.COM/P/FA204A54A956》 * |
李倩: ""TensorFlow Lite是TensorFlow针对移动和嵌入式设备的轻量级解决方案"", 《HTTPS://WWW.ELECFANS.COM/D/719463.HTML》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021109593A1 (zh) * | 2019-12-05 | 2021-06-10 | 五邑大学 | 嵌入式平台的部署方法、设备及存储介质 |
CN113065473A (zh) * | 2021-04-07 | 2021-07-02 | 浙江天铂云科光电股份有限公司 | 一种适用于嵌入式系统的口罩人脸检测和体温测量方法 |
CN113408744A (zh) * | 2021-07-08 | 2021-09-17 | 山东浪潮科学研究院有限公司 | 基于AIot和TinyML技术的多传感器多环境监测方法 |
Also Published As
Publication number | Publication date |
---|---|
WO2021109593A1 (zh) | 2021-06-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111190605A (zh) | 嵌入式平台的部署方法、设备及存储介质 | |
US11755919B2 (en) | Analytics for an automated application testing platform | |
US9720799B1 (en) | Validating applications using object level hierarchy analysis | |
EP2994835B1 (en) | Identifying impacted tests from statically collected data | |
US20130132933A1 (en) | Automated compliance testing during application development | |
CN103995777A (zh) | 嵌入式软件黑盒自动化测试系统及测试方法 | |
CN107678949B (zh) | 实现嵌入式设备不同通信方式的自动化测试方法 | |
US9411711B2 (en) | Adopting an existing automation script to a new framework | |
CN111382048B (zh) | 真机测试平台上移动设备的管理方法和装置 | |
CN107102949B (zh) | 应用程序离线测试方法及工具 | |
US20230185702A1 (en) | Method and Apparatus for Generating and Applying Deep Learning Model based on Deep Learning Framework | |
CN110334523B (zh) | 一种漏洞检测方法、装置、智能终端及存储介质 | |
CN109634856B (zh) | 基于云服务的iOS智能终端远程真机调试系统及方法 | |
CN109065111A (zh) | 一种基于docker的云平台健康检查系统及方法 | |
CN115587028A (zh) | 接口自动化测试方法、系统、介质及终端 | |
CN115391204A (zh) | 自动驾驶服务的测试方法、装置、电子设备及存储介质 | |
CN112306639B (zh) | 一种虚拟桌面的测试方法及装置 | |
CN114003457A (zh) | 数据获取方法和装置、存储介质及电子设备 | |
CN114579457A (zh) | 新型电力系统固件运行仿真平台及仿真方法 | |
US20210405990A1 (en) | Method, device, and storage medium for deploying machine learning model | |
CN113590217A (zh) | 基于引擎的函数管理方法、装置、电子设备及存储介质 | |
CN114116497A (zh) | 测试方法与装置、服务器 | |
CN112269742A (zh) | 一种基于jenkins的自动化白盒测试方法、装置及可读存储介质 | |
US20210042394A1 (en) | Extracting temporal specifications of features for functional compatibility and integration with oems | |
Breitbach et al. | Artifact: Voltaire: precise energy-aware code offloading decisions with machine learning |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200522 |
|
RJ01 | Rejection of invention patent application after publication |