使用这个博客模板的朋友们时不时会提出一些问题,我将它们以及对应的解决方案逐渐整理归纳,汇总到这一篇帖子里。
小决定-AI分析 - 隐私政策声明
小决定-AI分析 - 让决策更简单
笔趣读书 - 隐私政策声明
笔趣读书 - 让阅读回归本质
需求背景 使用流行的NCNN, DNN, MNN, SNPE, torch_c++ 等框架将主流的Yolo,Nanodet, MobileSSD等模型部署到Android设备上。 难点 当前深度学习模型多是使用python进行训练并推理运行,在实验阶段有较高的效率,但是无法直接部署到端侧设备上。并且不同的厂商结合自身硬件优势提供了不同的推理框架,从而也使得部署实现变得复杂。
需求背景 难点 针对快递面单信息提取需求,使用OCR 可以进行文本内容的提取(检测 & 识别 )。但却难以分解收件人、寄件人等具体信息。并且由于不同厂商、同一厂商不同时期的面单格式可能存在较大差异,从而使得后检测识别后的内容理解&分解变得更加复杂。 解决方案 通过三阶段方法模拟人工信息检索方式: 阶段-1:搜索整个页面中目标区域锚点(收件人) 阶段-2:针对感兴趣区域(收件人)进行文本检测和识别 阶段-3:针对识别内容进行基于正则匹配实现内容分解 阶段-4:支持外部json配置和结果输出
船舶检测及危险警戒线状态预警。 支持基于OpenVINO,NCNN-Vulkan推理加速,支持RTSP流输入。
Nanodet, NanodetPlus, Yolov5, Yolov6, Yolov7, MobileSSD etc. deployment with ncnn/dnn/mnn/SNPE/mace/Torch onto Android
The weather application created with Swift and Apple's weather APIs
the box door detection with YoloV8s, applied with RKNN(RK3588)
The Text Reader in IOS with SwiftUI
this is the bottom tab container