樹莓派最大的用處，樹莓派能做什麼項目

首先，請大家回想一下，自己抖音里點贊最多的視頻是什麼？

相信不少人一旦滑到可愛的狗子視頻，都會忍不住多看幾秒，然後狠狠地點個贊。

都說「吸狗一時爽，一直吸狗一直爽」，不過儘管「雲吸狗」十分流行，小編在這裡要說，「雲吸狗」還是沒有真·吸狗來得香。

和小編所見略同的，還有這個加拿大小哥Ryder。

不同的是，Ryder真的親手做了一個狗子探測器，這個探測器還和擴音喇叭聯結在了一起，但凡有人遛狗經過了他們家，探測器首先會進行識別，然後這個喇叭就會提醒他，「快來吸狗啦！」

這還不止，Ryder還突發奇想，這些狗子都這麼可愛，它們的主人也應該得到讚賞。

於是，他對整個系統進行了改進。現在這個擴音喇叭不僅能提醒他趕緊吸狗，還能對着路邊的狗主人大聲說到，「我喜歡你家的狗子（I like your dog）」。

當然，不明所以的路人可能會一臉懵逼：

甚至還有熱心的讀者留言到，「其實你還可以裝一個零食發射器，給路過的狗子派發零食」。

那文摘菌就在這裡坐等這個裝配了零食發射器的狗子探測器了。

超簡單的狗子探測器，只需樹莓派，項目已開源

根據Ryder自己介紹，這個項目是為了自己的一個朋友，他曾經做出翻越6英尺圍欄就為了擼一隻狗的創舉。

所以，其實整個項目的思路也很簡單，只需要去識別經過的狗子，然後通知他就行了。

那麼就動手吧。

首先，準備一個樹莓派相機，對準窗外的大街，實時記錄動態，然後將這些數據餵給一個機器學習模型，模型便會根據輸入數據識別對象。

Ryder使用的這個模型叫做YOLOv3，這個模型中的數據都是人工進行標記的，當數據達到一定的量級後，他們便把這些數據餵給機器學習系統，隨後進行訓練。

據了解，這個模型能識別80多種物體，包括狗子、人和汽車等。

Ryder用自定義碼將這些系統組合在一起，然後就可以上街進行測試了。

可以看到，系統不僅正確識別出了人和狗子，路邊的汽車也被標記了出來。

接下來，Ryder拿出了一個擴音喇叭，錄入了語音消息，這下子有狗子經過，就能得到實時通報了。

不過也不是每次都能保證有很好的視野就是了。

目前，Ryder也把這個「狗子識別」項目開源在了GitHub上，有需求的朋友自取~

GitHub鏈接：
https://github.com/rydercalmdown/dog_detector

YOLO背後的那些事兒

說到目標檢測網絡YOLO，這應該是目前最為常用的目標檢測算法了，在自動駕駛、人臉識別等領域都有一展身手之地。

YOLO最早是由Joseph Redmon等人在2015年提出，並在隨後的幾篇論文中進行了修訂。單是憑藉YOLO，Redmon就先後獲得2016年CVPR群眾選擇獎、2017年CVPR最佳論文榮譽獎。在學術界，YOLO也是廣受歡迎，三篇一作論文總引用量已經超過16000次。

在性能上，由於YOLO只使用單個網絡，其便可以直接在檢測性能上進行端到端優化，使得基礎YOLO模型能以每秒45幀的速度實時處理圖像。

就以YOLOv3為例，在Pascal Titan X上處理608×608圖像速度達到20FPS，在COCO test-dev上 mAP@0.5達到57.9%，與RetinaNet的結果相近，並且速度快4倍。

同時，YOLOv3在發揚了YOLO系列速度優點的同時，還提升了模型精度，尤其加強了對小目標和重疊遮擋目標的識別，補齊了此前的短板，是當時速度和精度均衡的目標檢測網絡。

不過，就在去年初，YOLO之父Joseph Redmon卻突然宣布，退出計算機視覺領域。

Redmon在推特上表示，由於軍用和隱私方面的問題和擔憂，自己選擇不再進行CV方面的研究。

Fast.ai創始人Jeremy Howard轉推評論到，「我之前從來沒見過這種事」。

更讓大家關心的是，YOLO的更新也暫時被擱淺。

不過好在兩個月後，另一位曾經參與YOLO項目維護的Alexey Bochkovskiy，在arXiv上提交了YOLOv4，這篇論文也被拉入原來YOLO之父建立的項目主線。

根據論文介紹，在COCO數據集上，YOLOv4達到了43.5%AP，65FPS，分別提高了10%和12%，運行速度是EfficientNet的2倍。

YOLOv4的速度（FPS）、精度（MS COCO AP50…95和AP50）均超過了其他目標檢測器。

論文總結道，YOLOv4主要有以下3點貢獻：

• 提出了一種高效而強大的目標檢測模型，使用1080Ti或2080Ti就能訓練出超快、準確的目標檢測器；
• 在檢測器訓練過程中，驗證了最先進的Bag-of-Freebies和Bag-of-Specials方法對目標檢測器的影響；
• 改進了SOTA方法，使其更有效、更適合單GPU訓練。

據介紹，YOLOv4也用到相當多的技巧：

• 用於backbone的BoF：CutMix和Mosaic數據增強，DropBlock正則化，Class label smoothing
• 用於backbone的BoS：Mish激活函數，CSP，MiWRC
• 用於檢測器的BoF：CIoU-loss，CmBN，DropBlock正則化，Mosaic數據增強，Self-Adversarial 訓練，消除網格敏感性，對單個ground-truth使用多個anchor，Cosine annealing scheduler，最佳超參數，Random training shapes
• 用於檢測器的Bos：Mish激活函數，SPP，SAM，PAN，DIoU-NMS

不過，小編還是要說，技術是中立的，區別在於使用技術的人。

比如這個狗子探測器，既能夠發揮YOLO的價值，也能治癒人心，何樂而不為呢？