续我的6月15号的博客，原本准备将我自己训练的YOLO V3的模型移植到手机上，但是尝试了几次都不成功，发现自己训练的模型，在转换成.pb文件之后，创建tensorflow接口总是失败，估计时我模型保存时有其他的问题，故想先移植一个官方demo能够运行的SSD模型。 目录1.安卓手机显示的效果图2.移
主要内容（1）台式图像处理工作站配置方案 （2）便携图像处理工作站配置方案 （3）倾斜摄影图像处理多机集群配置方案 （4）迷你移动式图像处理集群配置方案 在测绘行业无人机航拍影像应用越来越广泛，数据量越来越大，市场上需要计算处理设备从台式到移动便携式、多机集群、移动式多机集群等…
1. TypeError: '>' not supported between instances of 'builtin_function_or_method' and 'int' 解决方法 ~/caffe/python/caffe$ vim model_libs.py 将assert len > 0注释掉变成下面,16行 #assert int(len) > 0 2. TypeError: 1.0 h
目前高端SSD主控芯片订单主要集中在美国的Marvell和Microchip，主要面向工业领域和企业级系统；而消费类低端主控芯片则主要由台湾慧荣（SMI）和群联（Phison）瓜分，其中慧荣市场份额高达30%” Marvel 美满电子 ------ 美系 Microchip微芯科技 ----美系 中国台湾： SMI 慧荣科技
人类以日新月异的速度刷新着科技的成果，其中存储的发展历史尤其悠久，堪称万年进化史。自文明诞生以来，我们就一直在寻求能够更有效存储信息的方式，从4万年前的洞穴壁画、6000年前泥板上的楔形文字，到今天正在普及的SSD闪存，存储技术的探索脚步从未停止，创新存储价值变得势在必行。随着
固态硬盘也是会坏的，一般硬盘的数据读取出错就说明了这个硬盘有问题了，但还是有很多不可见的错误，大家是发现不了的。我们如何才能知道自己的固态是不是该换了呢？怎么样才能知道固态硬盘出现问题了？该如何解决呢？宏旺半导体为大家分析。 与机械硬盘相比，SSD硬盘十分可靠。然而，没有一种存
cephfs的文件里的数据会被切分为4M大小的对象文件。假如有一个20M大小的文件，会被切分成5个对象文件 ex。文件有31MB，对于的inode值为1099513390736（十进制），转换为十六进制为100 001A E690。 （a）该文件被切成8个object： rados ls -p cephfs_data_ssd |grep "100001ae690" |sort （b）查看该
转载自：http://blog.jcix.top/2019-02-18/pm-nvm/#NVMPM_SCM 近几年，不论在学术界还是工业界，NVM 都是比较前沿的技术。其实 NVM 一词并不新，是因为 PM (或称 SCM) 这个与 NVM 有关的概念的出现，使得 NVM 这词又 “火” 了一把。在近年的相关文献中，NVM 也经常被和 PM (SCM) 混用，让人搞
掉电恢复 参考资料：《深入浅出SSD》 掉电分为两种，正常掉电和异常掉电，但是不管哪种掉电，在SSD上电认盘后，都要能正常工作 1.正常掉电 概念 在掉电前，SSD会收到主机的掉电通知，SSD收到通知后会做些操作，等SSD完成这些操作后，主机才会真正对SSD进行断电， 一般来说，正常掉电不会导致数据的丢失，
美光推出英睿达P2系列SSD，250GB版本顺序写入可达1150MB/s https://www.expreview.com/73734.html QLC... 感觉很不靠谱的样子 还只有500G容量.. 估计用到400g之后 跟SMR的硬盘差不多速度了就.. 宣传1T的写入2T的读取 感觉不太可能达到. 美光在18年推出了英睿
import numpy as np import math def ssd_anchor_one_layer(img_shape,feat_shape,sizes,ratios,step,offset=0.5,dtype=np.float32): """Computer SSD default anchor boxes for one feature layer. Determine the relative position grid of the ce
https://www.cfan.com.cn/2019/1202/133265.shtml SSD降速太苦恼 你是不是装得太满了 2019-12-02 13:42产品 标签：SSD降速 很多小伙伴在都知道SSD降速是长时间使用后经常出现的问题，特别是杂牌产品更是难免。可有些小伙伴反映说自己买的SSD品牌可靠、档次也不低，但买了
从CPU处理速度越来越快，到内存的蓬勃发展，如今随着技术的进步，SSD的普及度也大大提升，在疫情期间，不少人也打算给自己的电脑升级一块高速大容量的SSD。之前的文章中，我们聊到了eMMC的工作原理，今天宏旺半导体就跟大家来聊一聊SSD固态硬盘的结构和基本工作原理 SSD 主要由 SSD 控制器，FLASH
Amazon EBS 卷类型 下表显示了最新一代 EBS 卷的使用案例和性能特点： 固态硬盘 (SSD)普通硬盘 (HDD) 卷类型 EBS 预配置 IOPS SSD (io1) EBS 通用型 SSD (gp2)* 吞吐量优化型 HDD (st1) Cold HDD (sc1) 简短描述 专用于对延迟敏感的交易型工作负载的最高性能 SSD 卷
OpenVINO 学习笔记（5）：IE 模块使用 本节主要记录使用 IE 模块来进行推理加速。 1. 编译环境配置 先新建项目，然后配置属性页。 将以下目录添加到配置包含目录 C:\IntelSWTools\openvino_2020.1.033\opencv\include 将以下目录添加到配置库目录 C:\IntelSWTools\openvin
对SSD, USB闪存设备以及SD卡进行安全删除 Secure Deletion on Solid-state Disks (SSDs), USB Flash Drives, and SD Cards 文章节选并译自SSD.EFF.org 开门见山地说，不幸的是——由于SSD, USB闪存设备以及SD卡的工作方式，局部的安全擦除很难做到。除非你将整块设备（的每个文件以及空
SSD（Single Shot MultiBox Detector）系列算法属于one-stage算法； SSD算法采用直接回归计算出目标类别和位置。处理对象为原始图像经过卷积之后的feature map。 与two-stage算法的区别是，不需要proposal box候选框的提取，即不需要RPN网络。
把之前本地的一些论文阅读笔记和资料汇总搬上来 之前写过的相关博客： 【目标检测】【1】《SSD- Single Shot MultiBox Detector》SSD目标检测器详解 【yolov3】【2】yolov3-spp结构详解与源码解析（pytorch） 文章目录目标检测YOLO系列与SSD对比SSD《SSD: Single Shot MultiBox D
SSD算法介绍 SSD属于one-stage检测方法，主要通过了直接回归目标类别和位置的方式。在进行预测时也正是由于通过不同尺度的特征层上进行预测，所以在图像低分辨率时也能很好的对目标进行检测，保证其精度。在训练的过程中采用了端到端的方式进行训练。 SSD网络结构 基础网络使用了
网络模型 整个网络是由三大部分组成： VGG Backbone Extra Layers Multi-box Layers VGG Backbone ✔️ 根据SSD的论文描述，作者采用了vgg16的部分网络作为基础网络，在5层网络后，丢弃全连接，改为空洞卷积网络 ✏️ 值得注意： conv4-1前面一层的maxpooling的ceil_mode=True,使得输出
everspin提供8/16-bit的DDR4-1333MT/s（667MHz）接口，但与较旧的基于DDR3的MRAM组件一样，时序上的差异使得其难以成为DRAM（动态随机存取器）的直接替代品。 最新的1Gb容量STT-MRAM扩大了MRAM的吸引力，但Everspin仍需努力追赶DRAM的存储密度。 低容量的特性，使得MRAM组件更适用于嵌入式系统，其中
everspin提供了8/16-bit的DDR4-1333MT/s（667MHz）接口，但与较旧的基于DDR3的MRAM组件一样，时序上的差异使得其难以成为DRAM（动态随机存取器）的直接替代品。 最新的1Gb容量STT-MRAM扩大了MRAM的吸引力，但Everspin仍需努力追赶DRAM的存储密度。 低容量的特性，使得MRAM组件更适用于嵌入
相对于许多计算机技术而言，闪存的发展史相对短暂，但它可以说是应巨大且快速变化的存储市场要求而迅速成长的一项技术。起源于60年代末，80年代初提出概念，在过去的数十年发展中已然成熟，现在让我们回溯时光,去探知一段属于闪存的辉煌发展史。 1967年。贝尔实验室江大原（Dawon Kahng，韩裔）和
目录0.运行tensorflow官方示例：1.proto文件转py文件2.下载模型并运行ipynb文件3.tf_SSD4. 挑选图片5.缩小图片6.图片打标签7.xml转csv，csv转tfrecord8.编写pbtxt文件9. 编写配置文件10.训练模型10.1 解决第一个报错10.2 解决第二个报错10.2.1 下载并安装Microsoft C++ build 1
Table of Contents 前言 论文基本信息 论文背景以及基本思想(Motivation & Contribution) 算法基本流程 算法细节 实验结果 小结 前言 SSD作为One-Stage系列的论文，如今已经作为基本网络被广泛应用于物体检测中，也很多网络结构是建立在其基础上的改进网络。 当前的Objectio
