CM2290性能探索

任务目标

CM2290属于中低端芯片，主要使用于扫地机器人、平板电脑、可视电话等等，通过测试起性能可以更好的选择CM2290 是否适合客户需求。

CM2290开发套件图

4路摄像数据结果

所需材料/所需清单/工具

  • tensorflow version > 2.0

  • Opencv 3.4.3

  • GStreamer

  • libyuv

  • iniparser

  • TurboX C610开发套件

  • IMX577相机连接板

  • IMX577摄像头

源码/示例/可执行的应用程序

  • 源代码

附加资料

  • 视频链接（这个视频中使用了RDS camera，你只需要修改摄像头和APP程序在一个局域网下面配置好摄像头的RDS地址即可）

构建/汇编指令

这个demo是基于Yocto构建的，项目中也提供了CmakeLists.txt 文件，工程中提供了编译所需的.bb文件，在你获取到源代码并搭建了编译环境，你可以直接使用driver_warn_1.0.bb文件进行编译。当然，如果你不想做这些过程，你可以直接克隆整个项目并把它push到带IMX 577模组的TurboX C610 Open Kit上，然后，按照项目仓库中提供的README文件将所需的依赖添加完整，就可以通过weston_dp_client脚本直接执行这个demo中的可执行文件了。

使用说明

步骤 1. 克隆 TensorFlow 示例源代码。

将 TensorFlow 示例 GitHub 存储库克隆到您的计算机以获取演示应用程序。

git clone https://github.com/tensorflow/examples

在 Android Studio 中打开 TensorFlow 源代码。为此，打开 Android Studio 并选择Open an existing project，将文件夹设置为 examples/lite/examples/video_classification/android

步骤 2. 构建 Android Studio 项目

选择Build -> Make Project并检查项目是否成功构建。您需要在设置中配置 Android SDK。您至少需要 SDK 版本 23。该build.gradle文件将提示您下载任何缺少的库。

该文件download.gradle指示 gradle 下载示例中使用的三个模型，并将它们放入assets.

笔记：

`build.gradle` 被配置为使用 TensorFlow Lite 的夜间构建。

如果您看到与 Tensorflow Lite 的 Java API 兼容性相关的构建错误（例如，`method X is undefined for type Interpreter`），则可能是对 API 的向后兼容更改。您需要在示例存储库中运行 `git pull` 以获得与夜间构建兼容的版本。

3、步骤 3. 安装并运行应用程序

将 Android 设备连接到计算机，并确保批准手机上出现的任何 ADB 权限提示。选择Run -> Run app.将已连接设备中的部署目标选择到将安装应用程序的设备。这将在设备上安装应用程序。

要测试应用程序，请打开设备上调用的应用程序TFL Video Classification。当您第一次运行该应用程序时，该应用程序将请求访问相机的权限。重新安装该应用程序可能需要您卸载以前的安装。

贡献者信息

>>浏览更多Qualcomm硬件案例：http://qualcomm.csdn.net/m/zone/qualcomm2016/project