前段时间考研，再加上工作，时间很紧，一直没有更新博客，这几天在搞k210的目标检测模型，做个记录，遇到问题可以添加qq522414928或添加微信13473465975，共同学习

首先附上github地址，本人自己改的，绝对好用，只要有数据，就能跑通https://github.com/LiuXinyu12378/yolo-k210-face-mask

也是想在考研复试的时候可以拿出来给导师看看，证明自己会一些算法和软硬件的东西，让导师更认可自己，好了，下面简单介绍一下过程。

这个模型大概看了看，就是mobilenet+yolo2的检测头，实际就是yolo2的效果

1.首先，就是要准备数据，思来想去，口罩的检测可能更有实际意义，所以就找了口罩的数据，下面分享给大家。可以使用自己的数据集或自己标注一些自己想做得场景，标注工具也在工程里了。

链接：https://pan.baidu.com/s/1mzcFeHboRKcEPfLJNGJ5yA
提取码：9213

2.训练模型，为了达到更好的效果，首先用kmeans聚类，获取图像对应的anchors，效果还可以，然后修改configs.json文件，这里模型输入的大小是224*224的，其实320*240的会更好，修改anchors和训练路径，然后python trian.py训练。训练好后模型会保存在save文件夹下tflite文件。

这里说下为什么模型320*240更好，这是由板子上的摄像头和显示屏决定的，因为k210的c语言没办法实现resize操作，这对它来说太难了，即便写了底层的函数也会运行很慢，所以模型要适配板子，模型的输入要小于等于320*240，这个模型的输入是224*224的，所以屏幕的检测输出并没有沾满，只用了左上角224*224的显示大小。

3.模型转换，模型量化，使用工程目录下得ncc_0.1_win，解压后，把tflite转换成Kmodel，原来训练好的tflite模型大小为20多M，转换完只有1.81M，说明量化很充分，模型在板子上跑起来也很轻快。

ncc_0.1_win\ncc test.tflite test.kmodel -i tflite -o k210model --dataset train_img

4.使用官方的Kendryte IDE，编译模型。没有Kendryte IDE的可以百度自行下载,打开kendryte_kpu-standalone_3工程目录

改这个工程的时候遇到很多坑，这个代码官方没给任何说明，经过大量的尝试结合算法经验，终于把它给改好了。

5.烧录编译好的二进制文件到开发板KD233

6.烧写模型文件kmodle到flask

最终效果还不错，各种口罩图片基本全能识别,上图，照的是本人（从来没怀疑过自己）

上图2，感谢观看