【米尔FZ3深度学习计算卡】识别硬币视频 + 识别速度分析

robe.zhang

【米尔FZ3深度学习计算卡】识别硬币视频 + 识别速度分析优化

先看视频：

米尔深度学习计算卡，识别硬币的整个系统：

除了右上角是windows10 电脑屏幕，用来替代硬币实物，其他全都是米尔深度学习计算卡识别硬币的系统。

用的摄像头是罗技c310 摄像头，本身不是很好，再加上硬币比较小，摄像头直接拍摄硬币实物时，距离近了对不上焦不清楚，距离远了太小仍然拍不清楚。直接拍摄获取视频无法使用，所以使用win10电脑播放硬币图片，替代硬币实物，让摄像头实时获取硬币视频。

米尔深度学习计算卡显示器画面：

MYIR FZ3 baidu brain board. DEMO：是个标题

five_jiao: 识别的结果，本图片是五角硬币的正面，识别为 five_jiao

PaddlePaddle cycle_time: 是飞浆识别一帧用时，使用代码实时计算出来的，大约是50000ns，约50ms，识别帧率极限是 20fps

PaddlePaddle frame rate：飞浆预测(识别)帧率，和cycle_time对应的，约 20fps

P： 0.901855 是飞浆识别置信度，0.90其实也是很高了，因为是手机拍摄硬币，电脑又播放手机图片，摄像头又拍摄电脑屏幕，图片本身失真很厉害的情况下，置信度0.90，还是很不错的

Video cycle_time 和 frame rate：这两个参数主要是模拟单线程时，显示器画面显示一帧用时和帧率，主要是分析优化识别速度用的。

优化思路：

1，测出飞浆预测一帧用时：50ms，必须要实测数据

2，单线程处理一帧用时，108ms，各个阶段用时都要知道

3，知道飞浆库多线程特性，飞浆暂时不支持多线程

基于以上3点，自己设计程序，使用3个进程：1个进程用于飞浆预测，且仅仅用于预测，目标是逼近飞浆预测速度的极限50ms，其他事情全部不干；第2个进程用来获取摄像头图像，目标是耗时不大于50ms即可，低于50ms也没啥意义；第3个进程，计算数据，显示图像等等其他事情。

从测试结果可以看到程序增加多线程优化后识别一帧用时 50ms，识别帧率 20fsp，达到模型识别极限。

对比单线程识别一帧用时 108ms，识别帧率9.2fps，

多线程优化后效果还是很直接很明显的，速度直接翻倍还多一点，直逼极限。

本程序所有灵感来源：官方源码；所有代码自己实现
自己实现起来也不难，三线程，双队列，保证一个预测进程逼近极限搞定。官方源码基本上也是这个思路

本程序的识别速度已经达到极限，没啥优化空间了，暂时到此为止

chuchuda-183637

这个需要好好学习一下