摘  要

 

计算机视觉领域的发展日新月异，它推动着社会的进步。作为计算机视觉领域的重要部分，目标检测近年来备受关注，学术界也对它进行了积极的探索。目标检验一直是计算机视觉领域的一个挑战性难题，也是这个领域内的一个研究焦点。目标检测技术能够运用在自动驾驶、无人机导航、图像检索等领域，这对人们的生活提供了极大的便利。随着深度学习技术的迅速发展，目标测量技术的研究也发生了翻天覆地的变化。算法从一开始的基于传统手特征的时期，发展到现在的基于深度学习的时期，同时大量优秀的目标测量算法逐渐得到大家的认可。但是,这些然后技术为基础构建的目标检测模型,进行智能推测时,计算能力要求高,因此低性能的终端装置中,实现这种高计算能力算法是非常困难的。但是计算帮的出现解决了这一尴尬局面。大家可以采用Movidius这样一种成本较低且易于拓展的深度学习推理工具来辅助运算。这就帮助那些边缘设备装载深度学习技术。本文对端对端的Yolo3算法进行了详细的介绍，同时向大家展示计算棒的运用方式。通过研究，将Yolo3算法部署在计算棒上，为后续将计算棒应用在树莓派这类计算资源紧张的设备上奠定基础。

 

关键词：Yolo3，计算棒Movidius，嵌入式设备，目标检测

目  录

 

第一章 绪论

1.1 引言

1.2 国内外研究现状

1.2.1 计算棒的研究现状

1.2.2 目标检测算法的研究现状

1.3 主要工作

第二章 Yolo3算法概述

2.1 Yolo3算法简介

2.1.1 Yolo算法简介

2.2 Yolo3网络结构

2.3 目标边界框的预测

第三章 基于计算棒的Yolo3算法

3.1 计算棒简介

3.2数据集简介

3.3 转换、部署模型

3.3.1 将Yolo模型转换为中间表示（IR）

3.3.2 部署Yolo3模型

第四章 实验结果和分析

4.1 测试结果

第五章 结论

参考文献

致  谢