本项目中使用opencv的dnn模块对yolov5进行部署，增加卡尔曼滤波kalman算法，对检测目标进行跟踪和预测。可用于导航等领域的短暂目标丢失预测。

主要为大家详细介绍了python构建深度神经网络DNN，具有一定的参考价值，感兴趣的小伙伴们可以参考一下

Yolo-Fastest-opencv-dnn 用opencv的dnn模块实现Yolo-Fastest的目标检测 运行方式：python main_yolov3.py --image=person.jpg 编程的一些细节可以参考我的csdn博客：

中文翻译：Architecture Design for Highly Flexible and Energy-Efficient Deep Neural Network Accelerators (翻译结果) 这个是我付费翻译的，但是也难免有些许错误。可以先看看摘要的翻译效果。 摘要 深度神经网络(DNNs)是现代人工智能(AI)的支柱。然而，由于其高计算复杂度和多样化的形状和尺寸，能够在广泛的dnn上实现高性能和能源效率的专用加速器对于使AI在现实世界的应用至关重要。为解决这个问题，本文提出Eyeriss，一种用于DNN处理的软硬件架构联合设计，针对性能、能源效率和灵活性进行了优化。Eyeriss具有一种新颖的RowStationary (RS)数据流，可在处理DNN时最小化数据移动，这是性能和能效的瓶颈。RS数据流支持高度并行处理，同时充分利用多级存储层次中的数据重用，以优化任何DNN形状和大小的整体系统能量效率。与现有的其他数据流相比，rs数据流的能量效率提高了1.4到2.5倍。

2. 所用到的设备清单） 1. 企业、住宅安全和管理 2. 电子护照及身份证、公安、司法和刑侦、自助服务、信息安全

一、 任务 二、评分 三、截止日期

通过opencv的dnn模块加速实现深度学习的目标识别。

GAMMA: Automating the HW Mapping of DNN Models on Accelerators v

OpenCV3.3深度神经网络(DNN)模块-应用课程配套源代码.7z

OpenCV3.3深度神经网络(DNN)模块-应用课程配套PDF.7z