【瑞萨AI挑战赛】“芯”年新评测 | 瑞萨边缘AI挑战赛2

残城旧梦

二、阶段一：Titanboard 模型训练

Titanboard为轻量化模型，训练核心原则是小批量、快迭代、轻量化正则化，避免过拟合，以下以目标检测为例，分类模型可直接替换损失函数和数据处理逻辑。

1. 数据集准备

• 推荐数据集：VOC2007/VOC2012（通用目标检测）、COCO-smal（轻量化版，仅取前 5000 样本），也可使用自定义数据集（需用 LabelImg 标注为 XML/YOLO 格式）。
• 数据预处理：通过 OpenCV 统一尺寸（建议320×320/416×416，适配 Titan% 轻量化特性）、归一化（像素值 / 255）、随机翻转 / 裁剪（增强泛化性），按 7:2:1 划分训练 / 验证 / 测试集。
• 2.模型加载与配置：无预训练则从头训练，重点冻结骨干网络前 3 层，仅训练头部和颈部，减少训练量。
• 批次大小（batch_size）：GPU=8/16，CPU=2/4；
• 学习率（lr）：初始 1e-3，每 10 个 epoch 衰减 10 倍；
• 训练轮数（epoch）：30~50（轻量化模型无需过多轮数）；
• 优化器：AdamW（优于 SGD，收敛更快）；
• 损失函数：CIoU Loss（目标检测）/CrossEntropy（分类）。
• 3. 训练过程与监
  
  

  训练阶段测评结果：

[td]

测评指标	GPU（RTX3060）表现	CPU（i7-12700H）表现	测评结论
单轮训练耗时	1~2min	10~15min	轻量化特性显著，GPU 训练效率极高
收敛速度	20 轮左右收敛	30 轮左右收敛	适配小样本训练，快迭代需求
模型文件大小	训练后约 15~20MB	训练后约 15~20MB	极低资源占用，适合端侧部署
验证集 mAP（VOC2007）	78.5%	78.2%	精度表现优异，轻量化无明显阶段

二：使用 RUHMI 完成模型转换与部署

  RUHMI 是轻量级模型转换与部署工具包，核心优势是跨平台、一键转换、适配端侧推理，支持 PyTorch/TensorFlow 模型转 RUHMI 专用格式

    RUHMI 核心功能说明：
     本次测评使用 RUHMI 的模型转换模块和部署推理模块，支持将pth/ckpt/h5格式模型转为 RUHMI 专属rmodel格式（优化推理速度，降低内存占用），同时支持CPU/GPU/ 嵌入式设备的一键部署。



     转换结果验证：

  转换完成后，RUHMI 会自动生成验证报告，查看以下核心指标：

•   转换成功率：100%（本次测评无报错，适配 Titan% 所有层结构）；
•   模型压缩率：转换后rmodel文件约10~15MB，相比原 pth 文件压缩 20%~30%；
•   层结构兼容性：Titan% 所有轻量化层（如深度可分离卷积、池化层）均被 RUHMI 完美支持，无层丢失 / 不兼容。
•    RUHMI 模型部署：
• 步骤 1：部署环境初始化
• 步骤 2：一键加载部署模型
• 步骤 3：部署验证
•    RUHMI 转换与部署阶段测评结果：
• [td]

  测评指标	表现	测评结论
  转换耗时	10~20s	超快速转换，无等待成本
  跨平台兼容性	支持 Ubuntu/Windows/ 树莓派 / Jetson Nano	全平台适配，满足边缘部署需求
  部署难度	一键式操作，无需手动编写推理代码	极低使用门槛，非专业开发者也可操作
  模型压缩率	20%~30%	无损压缩，无精度损失
  部署后加载速度	GPU：<50ms，CPU：<100ms	极速加载，满足实时检测的启动需求