
简介
该用户还未填写简介
擅长的技术栈
可提供的服务
暂无可提供的服务
本文介绍了视觉模型的分类与部署方法。视觉模型主要分为三类:分类模型(如ResNet、ViT)、检测模型(如YOLO、Faster R-CNN)和分割模型(如U-Net、Mask R-CNN)。文章详细阐述了从PyTorch模型到ONNX导出再到ATC转换的通用部署流程,并针对不同类型模型的特点进行了说明。重点展示了ResNet分类模型和YOLO检测模型的具体部署代码实现,包括模型导出、转换和后处理

本文详细介绍了CANN端侧部署的完整流程,包括模型转换与服务化部署。主要内容涵盖: 端侧部署面临的算力、内存、功耗等独特挑战 模型格式转换路径(PyTorch/TF→ONNX→.om) ATC工具进行模型转换的关键参数与优化方法 ACL推理引擎架构与优化技巧 端侧服务化部署方案(容器化、微服务等) 文章提供了详细的代码示例和参数说明,帮助开发者将训练模型高效部署到昇腾310等端侧设备,满足实时推理

本文详细介绍了CANN端侧部署的完整流程,包括模型转换与服务化部署。主要内容涵盖: 端侧部署面临的算力、内存、功耗等独特挑战 模型格式转换路径(PyTorch/TF→ONNX→.om) ATC工具进行模型转换的关键参数与优化方法 ACL推理引擎架构与优化技巧 端侧服务化部署方案(容器化、微服务等) 文章提供了详细的代码示例和参数说明,帮助开发者将训练模型高效部署到昇腾310等端侧设备,满足实时推理

本文详细介绍了CANN端侧部署的完整流程,包括模型转换与服务化部署。主要内容涵盖: 端侧部署面临的算力、内存、功耗等独特挑战 模型格式转换路径(PyTorch/TF→ONNX→.om) ATC工具进行模型转换的关键参数与优化方法 ACL推理引擎架构与优化技巧 端侧服务化部署方案(容器化、微服务等) 文章提供了详细的代码示例和参数说明,帮助开发者将训练模型高效部署到昇腾310等端侧设备,满足实时推理

CANN 模型压缩实战:剪枝、量化与知识蒸馏








