日期:
2020.05.01~2020.05.02
- 5月 03 週日 202015:01
2020.05.01 阿里山舊鐵道散步行(眠月線&特富野古道)
日期:
2020.05.01~2020.05.02
- 8月 07 週三 201921:59
潛進海龜的故鄉
追海龜之小琉球潛水行... 兩天一共潛了五隻（一隻岸潛，四隻船潛），已經好久沒這麼操了，回家後洗裝備加洗澡完直接昏睡，只能說欠操。
潛店: 熊潛水
教練: 艾爾帛特i水肺https://www.instagram.com/albertiscubadiving/?hl=zh-tw
時間: 2019.08.02~2019.08.04
實記:
禮拜五晚上搭高鐵到左營，與潛伴一起搭車下東港休息一晚。
禮拜六上午一早七點半集合，搭船前往小琉球。到東港搭船前，看到港口那個浪況也太誇張了吧，浪有點大啊~~~
第一隻岸潛在大福西，這隻我的狀態很差，耳壓平衡做不好，身體會亂飄，頭下腳上，上升時又像氣球ㄧ樣往上衝，結果還離岸邊超遠，被敎練拖回岸邊，整個呈現來拖累團隊的狀態，還好敎練很包容，不嫌棄，上岸後耐心的指導。
海況：浪大及能見度只有一米，半隻烏龜都沒有。
第二三隻是船潛，在破沉船區，是豪華團行程，不必累累的踢出去再回岸，整個高級享受，下潛時，延著繩子往下潛，能力不好，只能抓著繩子賣力的往下，抓著就算了，還是一樣頭下腳上，蛙鞋亂踢，連敎練看得都搖頭，上岸時立刻揪正我下潛不用快，可以下去上來像階梯般來來回回就好，不用求快，也不用踢蛙鞋。
在潛第三隻時，不曉得是緊張產生幻覺嗎？我突然感覺到自己鼻子嗆到水，感覺自己快死了，突然死命的往上衝，敎練看到緊張的不得了，立刻追上我，也不管我手在亂揮，用手勢告訴我要穩定下來，吸吐吸吐，教我鏡面排水，緊急解救了我，真的是感謝耶穌、感謝佛祖、感謝阿拉阿...
海況：能見度有到8米，也看到三隻懶懶的海龜趴在岩石上，深度有20公尺，有鋼鐵礁群。
好啦！三隻練習加適應水性應該是足夠了吧！沒錯，真的三隻就足夠了，接下來的四五隻，下潛時我可以不靠拉繩下潛，慢慢藉由吸吐技巧順利到達25米深的海底。
第四隻來到多仔坪小斷層，因爲昨天海龜實在太少，大夥特別要求導潛帶大家找海龜去，這裡就是海龜出沒的地方，到14米深時會有個大斷層到20米，14米處有很多岩盤讓海龜休息，這次真的有看到海龜在海底暢游，很可惜我沒帶攝影機，拍不到跟海龜游泳的照片，幸運的是，這裡也有可愛的尼莫在海葵裡玩耍，真的超美超可愛⋯⋯
(尼莫照片取自於艾爾帛特i水肺)
第五隻在美人洞放流，顧名思義就說海流較明顯的地方，很難在原地維持不動，會順著海流漂移，這隻的感受真的特別舒服，已經完全掌握中性浮力及耳壓平衡的技巧了，很自然的在海裡享受安靜及暢游在美麗的海景裡，上升時，五米停留也做得很成功，可以完全跟在教練旁邊一起等待三分鐘的排氮時間，很有成就感，慢慢循序漸進的看到自己進步，那種感覺很棒。
(以上影音檔案皆感謝潛友分享)
目前使用騰訊所改寫的MTCNN detector做人臉偵測，其框架使用的是NCNN，但現階段我們是使用tensorflow or caffe 框架來訓練model，所以勢必要使用轉換程式將tensorflow or caffe轉為NCNN格式讓MTCNN detector使用，目前我們的環境如下圖所示，使用tensorflow 框架來訓練model，但必須先轉換為caffe 框架再轉為NCNN框架，為何要這麼麻煩呢?原因是tensorflow是現階段做深度學習最熱門的工具，但騰訊目前並無支援tensorflow直接轉NCNN(據說前陣子官方有提供，但bug太多，所以就停止支援，但未來若再提供，一定會更方便)，所以一定要先有中繼轉換再轉為NCNN，本篇就是教學如何建立出轉檔程式，並且成功生出NCNN格式的model。
- 7月 16 週二 201918:32
編譯tensorflow c/c++ api 函式庫(二)
3. 編譯tensorflow
a. 下載源碼並且配置
$ git clone https://github.com/tensorflow/tensorflow
$ cd tensorflow
$ configure
a. 下載源碼並且配置
$ git clone https://github.com/tensorflow/tensorflow
$ cd tensorflow
$ configure
- 7月 16 週二 201910:24
編譯tensorflow c/c++ api 函式庫(一)
為了編譯支援tensorflow 框架的Face detector的AP，其中使用到tensorflow c/c++ api，所以需要下載原始碼編譯出libtensorflow.so檔來使用，接下來就是介紹整個編譯環境的過程。
1. 簡介:
tensorflow提供了python, c/c++的API，我們現在的應用用到c/c++版本，所以需要編譯出library來使用，在編譯library時，必需使用bazel及protobuf及eigen工具，應將其工具準備好。
FaceDetector AP 源碼: https://github.com/OAID/FaceDetection
1. 簡介:
tensorflow提供了python, c/c++的API，我們現在的應用用到c/c++版本，所以需要編譯出library來使用，在編譯library時，必需使用bazel及protobuf及eigen工具，應將其工具準備好。
FaceDetector AP 源碼: https://github.com/OAID/FaceDetection
- 7月 14 週日 201917:03
如何將tensorflow 框架的model轉為ncnn 框架的model
1. 甚麼是深度學習框架:
現在深度學習很熱門，為了要方便做出適合優秀的深度學習模型，各大社群或廠商紛紛堆出了許多方便建立深度學習模型的工具，作一個簡單的比喻，一套深度學習框架就是這個品牌的一套積木，各個元件就是某個模型或演算法的一部分，你可以自己設計如何使用積木去堆砌符合你資料集的積木。好處是你不必重複造輪子，模型也就是積木，是給你的，你可以直接組裝，但不同的組裝方式，也就是不同的資料集則取決於你，現在有Caffe、tensorflow ncnn 等等的工具可以使用，其中ncnn是中國騰訊所出的框架，在mtcnn 人臉偵測的ap，就是使用ncnn的格式。
a.甚麼是ncnn?
ncnn 是一個為手機端極致優化的高性能神經網絡前向計算框架。 ncnn 從設計之初深刻考慮手機端的部署和使用。無第三方依賴，跨平台，手機端 cpu 的速度快於目前所有已知的開源框架。基於 ncnn，開發者能夠將深度學習算法輕鬆移植到手機端高效執行，開發出人工智能 APP，將 AI 帶到你的指尖。 ncnn 目前已在騰訊多款應用中使用。(取至ncnn git的介紹)
ncnn git: https://github.com/Tencent/ncnn
b. 甚麼是tensorflow?
是一個用於機器學習的開源軟體庫，可以支援深度學習的各種演算法。它最初是由傑夫 ‧ 迪恩 (Jeff Dean)領軍的 Google Brain 團隊，基於 Google 第一代深度學習系統 DistBelief 改進而產生。Google 於 2015 年底公佈並宣佈開源了 TensorFlow。在 TensorFlow 中文社群的首頁，有一句話：TensorFlow 是一個用於人工智慧的開源神器。
c. 甚麼是caffe?
Caffe 全稱為 Convolutional Architecture for Fast Feature Embedding，是一個被廣泛使用的開源深度學習框架，在 TensorFlow 出現之前一直是深度學習領域 GitHub star 最多的項目。
現在深度學習很熱門，為了要方便做出適合優秀的深度學習模型，各大社群或廠商紛紛堆出了許多方便建立深度學習模型的工具，作一個簡單的比喻，一套深度學習框架就是這個品牌的一套積木，各個元件就是某個模型或演算法的一部分，你可以自己設計如何使用積木去堆砌符合你資料集的積木。好處是你不必重複造輪子，模型也就是積木，是給你的，你可以直接組裝，但不同的組裝方式，也就是不同的資料集則取決於你，現在有Caffe、tensorflow ncnn 等等的工具可以使用，其中ncnn是中國騰訊所出的框架，在mtcnn 人臉偵測的ap，就是使用ncnn的格式。
a.甚麼是ncnn?
ncnn 是一個為手機端極致優化的高性能神經網絡前向計算框架。 ncnn 從設計之初深刻考慮手機端的部署和使用。無第三方依賴，跨平台，手機端 cpu 的速度快於目前所有已知的開源框架。基於 ncnn，開發者能夠將深度學習算法輕鬆移植到手機端高效執行，開發出人工智能 APP，將 AI 帶到你的指尖。 ncnn 目前已在騰訊多款應用中使用。(取至ncnn git的介紹)
ncnn git: https://github.com/Tencent/ncnn
b. 甚麼是tensorflow?
是一個用於機器學習的開源軟體庫，可以支援深度學習的各種演算法。它最初是由傑夫 ‧ 迪恩 (Jeff Dean)領軍的 Google Brain 團隊，基於 Google 第一代深度學習系統 DistBelief 改進而產生。Google 於 2015 年底公佈並宣佈開源了 TensorFlow。在 TensorFlow 中文社群的首頁，有一句話：TensorFlow 是一個用於人工智慧的開源神器。
c. 甚麼是caffe?
Caffe 全稱為 Convolutional Architecture for Fast Feature Embedding，是一個被廣泛使用的開源深度學習框架，在 TensorFlow 出現之前一直是深度學習領域 GitHub star 最多的項目。
- 6月 28 週五 201910:08
編譯 ncnn library 的ARM NEON版本
在嵌入式平台中進行一些複雜算法的開發，一定需要用到指令及來進行加速，目前在嵌入式平台上做多使用的晶片就是ARM，這次我們要將mtcnn的人臉偵測AP porting到 ARM的開發平台上，針對執行的速度的進行優化的動作。
在mtcnn 人臉偵測AP分為兩個部分，一是執行演算法的library，即是ncnn library，在此源碼裡有提供ARM NEON功能來獲得較高的效能，需要用define的方式開啟，但開啟後還是會有下列幾個錯誤現象發生，需要一一處理。
在mtcnn 人臉偵測AP分為兩個部分，一是執行演算法的library，即是ncnn library，在此源碼裡有提供ARM NEON功能來獲得較高的效能，需要用define的方式開啟，但開啟後還是會有下列幾個錯誤現象發生，需要一一處理。
- 6月 11 週二 201915:02
在CP chip上建立Opencv + QT + GTK 編譯環境
1. 前置作業
在進行建立cross compiler的環境前，或許您的電腦缺少了相關套件，請依下面的指示將套件安裝完畢，再進行建立cross compiler的環境
a. 建立cross compile path到環境變數
PATH = <YOUR_ARM_TOOLCHAIN_PATH>:$PATH
使用修改.bashrc來設定環境變數， 此修改只需關掉Terminal再開啟後，就都會被設定
EX: .bashrc的路徑是在"/home/au0110/.bashrc"
在檔案最後面加入
export PATH=/share/sunplus_20190523/sunplus/crossgcc/gcc-linaro-7.3.1-2018.05-x86_64_arm-linux-gnueabihf/bin:$PATH
- 6月 11 週二 201914:14
Yolo V3 bounding boxes回歸原理學習
YoloV3的核心思想
YoloV3的核心思想就是利用整張圖做為網路的輸入，直接在輸出層回歸bounding box(邊界框)的位置及其所屬類別。YoloV3規劃了三層名叫”yolo”來當作物件偵測層，其層產生的feature map即是用來回算bounding box的資訊，若要了解如何回推物件的最佳bounding box前，須了解何謂anchor box及YoloV3檢測思路。
YoloV3實現的方法
將原始影像利用捲積神經網路的滑動視窗演算法，將圖片分成SxS個網格(grid cell)來偵測物件所在，如果某個物件的中心點落在此網格內，則這網格負責預測這個物件。YoloV3裡，使用移動步伐(stride)的方式，將圖片縮小至1/32、1/16、1/8不同大小來偵測大中小物件，以輸入照片原始大小為416x416為例，則會產生13x13、16x26、52x52的網格，分別位於第82、第94、第106層，其網格內容存放的資訊是預測資訊（邊界框的坐標、類別標籤等）。
錨點框(Anchor box)
Anchor box是一種先驗知識，是在訓練階段產生的數值，在測試階段，可透過anchor box的長寬及網路預測的數值產生物件的bounding box，在yoloV3裡，因為每個cell都帶有預測3 個邊界框，每個邊界框都搭配一個Anchor box來修正成最後正確的邊界，所以每層yolo的每個cell都有三分anchor box。透過下三張圖，可以看到第82、94、106層的anchor box的配置，mask代表此層要拿第幾組anchor box，classes代表有幾種物件要判斷。其anchor box的數值並非是座標位置，是anchor box的大小(pixel value)，代表長跟寬。
Yolo輸出層解釋
前一段落有提到每個cell都帶有預測3 個邊界框數量，根據YOLO 的論文，這些B 邊界框中的每一個都可能專門用於檢測某種對象。每個邊界框都有5+C 個屬性，分別描述每個邊界框的中心坐標、維度、objectness 分數和C 類置信度。分別是x, y, w, h, confidence，(x, y)表示box中心相對於grid cell的位移，而w, h為b-box長寬，confidence即為IOU (between predicted box and any ground truth box)。其邊界框結構如下:
每個cell分別有三個預測框數量
所以此yolo層的feature map數量為S x S x B x (5 + classes)
邊界框預測結果
使用yolo層的預測結果(bounding box)加上anchor box來正確框出物件位置，公式轉換如下:
pw / ph : anchor box長寬
tx / ty / tw / th: 網路預測四個值
cx / cy: 某個cell距離物件的top left corner距離
如上圖，透過公式，找出藍色框框，其籃框是最符合物件大小的。
- 5月 21 週二 201917:26
[Linux 開發環境 系統問題解決辦法]同時將訊息輸出至畫面與重導到檔案
linux 在下達指令後，往往會有大量訊息，但在terminal上看不容易看，可以用下列指令將訊息導出到檔案裡。
sudo -s
sudo -s
