# risc-v-paddle-resnet50

**Repository Path**: openkylin/risc-v-paddle-resnet50

## Basic Information

- **Project Name**: risc-v-paddle-resnet50
- **Description**: No description available
- **Primary Language**: Unknown
- **License**: Not specified
- **Default Branch**: upstream
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 2
- **Forks**: 1
- **Created**: 2024-05-08
- **Last Updated**: 2026-01-07

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# 工程介绍

## 项目简单介绍

本项目的主要功能是在自动驾驶车辆行驶时，对车辆周围的道路交通环境进行目标识别与检测，旨在为自动驾驶车辆提供高效、精确的目标识别能力。

其主要结构为：

### 1. 硬件层

**Lichee Pi 4A 开发板**：作为系统的核心处理单元，Lichee Pi 4A 提供了基于 RISC-V 架构的处理器，具备足够的计算能力来处理复杂的深度学习模型。它通常包含多个 CPU 核心、图像处理单元（IPU）、神经网络加速器（NPU）等，以支持并行计算和快速数据处理。

### 2. 操作系统层

**openKylin 2.0 alpha RISC-V**：这是一个为 RISC-V 架构定制的 Linux 发行版，提供了必要的系统服务、库和驱动程序，以支持上层应用的运行。openKylin 为自动驾驶目标检测系统提供了稳定、安全的运行环境。

### 3. AI框架层

**Pytorch**：作为深度学习框架，Pytorch 提供了灵活的模型定义、训练和部署工具。它支持动态计算图和自动微分，使得模型的开发和调试更加高效。

### 4. 模型层

**YOLOX**：作为目标检测模型，YOLOX 提供了高速度和高精度的检测能力。它通过多尺度特征提取和端到端的训练策略，实现了对不同尺寸目标的有效检测。

### 5. 数据层

**COCO数据集**：模型使用了 COCO 数据集进行训练，COCO数据集是一个广泛认可的大规模图像数据集，其优点在于提供了丰富多样的图像内容和精确的实例级标注，图像质量高，场景复杂，有助于训练和评估模型在真实世界场景中的表现。

### 6. 应用功能层

**目标检测+前后端实现**：应用的核心功能是利用深度学习模型进行目标检测，识别和定位图像中的各种目标物体，同时构建了一个简单但完整的可视化页面，旨在提供一个直观、高效的方式，让用户能够轻松地利用 YOLOX 模型进行目标检测。



## 工程文件介绍

### 1. YOLOX

文件夹中提供了我们队通过 YOLOX 模型实现的自动驾驶目标检测的应用，包含有一个用于执行 ONNX 模型推理的 Python 脚本、基于 COCO 数据集训练并导出的 YOLOX 预训练模型、以及应用前后端的相关代码。

### 2. Pytorch4LicheePi

文件夹内包含有我们队在  **LicheePi 4A + openKylin** 下编译 Pytorch 源码时修改过的文件，可以根据文档提示来进行 Pytorch 的编译与安装，同时还提供了已经编译好的 `.whl` 文件可以直接进行。

### 3. PaddlePrj

文件夹中提供了我们队进行 Paddle 源码编译时的相关文件，与运行在 Paddle 下的 ResNet-50 预训练模型及参数，以及用于调运预训练模型的测试代码文件。