前言: 本教程采用K210跑模板进行数字识别，针对电赛的环境训练出来的效果更好
在比赛中对识别速度要求也不是很高，所以尽量追求正确率，我选择了K210跑YOLOV2模型
演示视频:BILIBILI
电赛f题高精度数字识别，任意角度
介绍: YOLOv2采用了一个新的基础模型（特征提取器），称为Darknet-19，包括19个卷积层和5个maxpooling层，如图所示。Darknet-19与VGG16模型设计原则是一致的，主要采用33卷积，采用22的maxpooling层之后，特征图维度降低2倍，而同时将特征图的channles增加两倍。与NIN(Network in Network)类似，Darknet-19最终采用global avgpooling做预测，并且在33卷积之间使用11卷积来压缩特征图channles以降低模型计算量和参数。Darknet-19每个卷积层后面同样使用了batch norm层以加快收敛速度，降低模型过拟合。在ImageNet分类数据集上，Darknet-19的top-1准确度为72.9%，top-5准确度为91.2%，但是模型参数相对小一些。使用Darknet-19之后，YOLOv2的mAP值没有显著提升，但是计算量却可以减少约33%。
在K210中我们用的是剪枝后的YOLOV2,说白了就是运行速度更快，内存要求更低，准确度更低。
准备工作: 环境部署参考:链接
环境部署完后 ，准备数据集采集
数据集采集: 创建一个文件夹存放数据集，文件夹下再创建两个文件夹 (注意路径不要有中文和空格)
img用于保存你的图片，xml用于保存标签
文章图片
准备一个USB摄像头，在MX-YOLOV3(环境部署时装的那个软件)中打开,选择之前的创建文件夹中的img文件夹
文章图片
然后就可以开始拍摄数据集了，注意角度要模拟你的小车摄像头拍到地上数字的角度，还有手持数字正面的角度。
示例:
文章图片
大概每个数字拍200到400张 可以换数字方向，多拍几张效果比较好。
拍完后开始处理图像到合适的格式，这里我是用的
文章图片
选择高级批量编辑 把图片全部改为224 * 224的分辨率
文章图片
然后再批量重命名一次，让图片按顺序排列
处理完后整理一下文件夹，删掉处理前的图片，就可以开始打标记了
MX-YOLOV3自带一个打标记工具
文章图片
数据集标注: 
文章图片
Open Dir打开你的img文件夹，ChangeSaveDir选择你要保存XML文件的地址
然后开始正式标注，快捷键:
| W | 画框 |
|---|---|
| D | 下一张 |
| A | 上一张 |
文章图片
画框后注意修改物体名字，就这样一张张把你的两千多张图片全部按数字标完，然后就可以开始训练了。
训练 选择你之前的两个文件夹 然后 自动提取 计算Anchor 依次点一次 再点控制台开始训练
文章图片
文章图片
如果你的环境配置没问题，那应该正式跑起来了。
经过漫长的等待，你的模型跑完了，然后需要经过模型转换才能放进K210进行使用。
文章图片
转换完后，把新的kmodel刷进K210 0X3000000以上的FLASH 或者放进SD卡进行读取
【K210|【电赛开发】2021-F题数字识别-YOLOV2(含无脑训练教程】
文章图片
刷好后就可以在程序里进行数字识别了
如果出现内存不足的情况，就把固件换成mini版的，并设置加大GC堆空间
推荐阅读
- 深度学习|深度学习中的优化标准（交叉熵与均方误差）
- 人工智能|一文详解YOLOX算法实现血细胞检测
- R语言入门课|R语言使用＜-操作符创建新的变量、使用两个数据列通过加和创建新的数据列（sum variables to make new featurs in dataframe）
- 数据科学从0到1|pandas使用query函数基于组合索引筛选dataframe的数据行（与and、或or、非not）
- 人工智能|入门机器学习（西瓜书+南瓜书）第一、二章总结（python代码实现）
- python|Mx-yolov3环境配置+本地模型训练+K210
- 物联网|通用ESP8266连接阿里云物联网平台
- 人工智能|anaconda命令行下安装深度学习pytorch的d2l包
- #|浙江大学-机器学习-ppt截图