Advertisement

Yolo-Fastest：一种超轻量级的通用目标检测算法，计算量仅需250MFLOPS，NCNN模型大小为666KB，...

  •  5星
  •     浏览量: 0
  •     大小:None
  •      文件类型：None

简介：
Yolo-Fastest是一款卓越的超轻量级通用目标检测算法，其计算需求仅为250MFLOPS，且NCNN模型大小仅666KB，实现高性能与低能耗的完美结合。 2021.3.21：对模型结构进行了细微调整优化，并更新了Yolo-Fastest-1.1模型。 2021.3.19：发布了NCNN Camera Demo。 2021.3.16：修复了分组卷积在某些旧架构GPU上推理耗时异常的问题。 高电压版的Yolo-Fastest是一款简单、快速且易于移植的目标检测算法，适用于所有平台。它是基于YOLO的已知最快和最小化的通用目标检测算法。经过优化设计，特别适合ARM移动终端，并支持推理框架。

全部评论 (0)

还没有任何评论哟~
客服
客服
客服关闭
  • Yolo-Fastest：一种超轻量级的通用目标检测算法，计算量仅需250MFLOPS，NCNN模型大小为666KB，...
    优质
    Yolo-Fastest是一款卓越的超轻量级通用目标检测算法，其计算需求仅为250MFLOPS，且NCNN模型大小仅666KB，实现高性能与低能耗的完美结合。 2021.3.21：对模型结构进行了细微调整优化，并更新了Yolo-Fastest-1.1模型。 2021.3.19：发布了NCNN Camera Demo。 2021.3.16：修复了分组卷积在某些旧架构GPU上推理耗时异常的问题。 高电压版的Yolo-Fastest是一款简单、快速且易于移植的目标检测算法，适用于所有平台。它是基于YOLO的已知最快和最小化的通用目标检测算法。经过优化设计，特别适合ARM移动终端，并支持推理框架。
     
  • Yolo-Fastest：将Yolo通用目标检测模型与EfficientNet-lite结合，计算量仅230Mflops
    优质
    简介：Yolo-Fastest是将YOLO算法与EfficientNet-Lite相结合的一种快速目标检测方法，其计算复杂度仅为230MFLOPS，在保证效率的同时提供优秀的实时性。 Yolo-Fastest 是一种简单、快速且紧凑的实时目标检测算法，在所有平台上的移植性都很强，并基于 YOLO 构建了已知最轻量级的目标检测模型之一，特别针对 ARM 移动终端进行了优化设计。经过精心调优以支持 NCNN 推理框架，该模型能够在 RK3399、Raspberry Pi 4b 等嵌入式设备上实现完整的实时性能（超过30fps）。相比同类算法，它的推理速度提升了约45%，参数量减少了大约56%。 2021年3月16日：修复了分组卷积在某些旧架构GPU上的推断耗时问题。例如，在 GTX 1050ti 上的性能从原来的40ms 提升到了仅需4ms，速度提高了十倍。 2021年9月12日：更新NCNN相机演示版本。参考AlexeyAB/darknet仓库中的修复工作，解决了分组卷积在一些旧架构GPU上的推理耗时问题（例如 GTX 1050ti 上的性能从40ms 提升到了仅需4ms）。强烈建议使用此仓库中训练模型以获得更好的效果。 相较于 AlexeyAB / darknet 版本中的 Darknet，该版本解决了分组卷积在旧架构 GPU 中推理耗时过长的问题。
     
  • 轻量级 YOLOV5-ti-lite 目标检测模型
    优质
    简介：YOLOV5-ti-lite是一款轻量级的目标检测模型，基于YOLOv5架构优化而成，适用于资源受限的设备，提供高效准确的目标识别能力。 YOLOV5-ti-lite 是一个基于 Ultralytics YOLOv5 的目标检测模型版本，专为边缘设备高效部署设计。与之前的 YOLOv3 相比，主要改进包括： - 使用 Darknet-csp 骨干网络代替传统的 Darknet 网络，减少了 30% 的复杂度。 - 引入 PANet 特征提取器替代 FPN。 - 应用了更先进的边界框解码技术。 - 利用遗传算法优化锚点选择过程。 - 实施了多种增强技术，如马赛克数据增强。 YOLOV5-ti-lite 从 YOLOv5 中继承了一个焦点层作为网络的第一层。这一设计减少了模型的复杂性和训练时间（降低了约7%和15%）。然而，由于切片操作在嵌入式设备上不友好，我们在新版本中将其替换为轻量级卷积层。 总的来说，YOLOV5-ti-lite 是从 YOLOv3 到 YOLOv5 再到当前版本的一系列优化结果。
     
  • 基于NCNN的轻量级PaddleOCRv4模型C++推理
    优质
    本项目提供了一种基于NCNN框架的轻量化PaddleOCR v4版本模型，适用于高性能C++环境下的文字识别任务。 PaddleOCR 提供了基于深度学习的文本检测、识别及方向检测等功能。其主要推荐的 PP-OCR 算法在国内外企业开发者中得到了广泛应用，在短短几年时间里，PP-OCR 的累计 Star 数已超过32.2k，并经常出现在 GitHub Trending 和 Paperswithcode 的日榜和月榜首位，被认为是当前 OCR 领域最热门的仓库之一。PaddleOCR 最初主打的 PP-OCR 系列模型在去年五月份推出了 v3 版本。最近，飞桨 AI 套件团队对 PP-OCRv3 进行了全面改进，并发布了重大更新版本 PP-OCRv4。该新版本预计带来了更先进的技术、更高的性能和更广泛的适用性，将进一步推动 OCR 技术在各领域的应用。
     
  • 轻量级人脸检测的ONNX模型
    优质
    本作品介绍了一种轻量级的人脸检测ONNX模型，适用于资源受限的设备。该模型在保持高精度的同时减少了计算需求和存储占用。 ONNX：轻量级人脸检测模型
     
  • hyperCEM.rar_CEM目标检测_CEM算法_MATLAB图像能量_最小能量约束下的目标检测
    优质
    本资源为基于MATLAB开发的HyperCEM工具包，用于实现CEM（最小能量约束）算法在图像中的目标检测。通过优化图像的能量分布来精确识别和定位目标区域。 图像目标检测算法中的约束最小能量（CEM）检测算法是一种用于识别图片中特定对象的技术。这种算法通过优化目标函数来定位和分类图像内的物体，从而提高检测的准确性和效率。
     
  • 关于YOLO的目标检测算法
    优质
    简介：YOLO（You Only Look Once）是一种实时目标检测算法，通过将图像分类和边界框预测结合在一个神经网络中实现高效准确的目标识别。 YOLO（You Only Look Once）是首个基于深度学习的one-stage目标检测算法，在TitanX GPU上可以实现每秒45帧的速度；而轻量版则能达到惊人的155帧每秒，堪称业界领先。此外，相比R-CNN，其精度也有显著提升，mAP值从53.5提高到63.4，真正实现了快速、准确且高效的目标检测。
     
  • 目标检测结合旋转目标框及小目标的YOLO算法
    优质
    简介：本文提出了一种改进版的YOLO算法，通过引入旋转目标框和专门针对小目标优化的技术，显著提升了对复杂场景下各类物体的检测精度与效率。 旋转目标框标注工具用于制作YOLO和CenterNet模型的数据集并进行训练。安装步骤如下：使用pip install labelimg命令安装标签图像标注工具；使用pip install pyqt5命令安装PyQt5库；运行setup.py脚本完成配置环境的最后一步。
     
  • YOLO算法在目标检测中的应用.pptx
    优质
    本演示文稿探讨了YOLO（You Only Look Once）算法在实时目标检测领域的应用及其优势。通过分析YOLO的不同版本，展示其如何提高物体识别的速度与准确性。 YOLO（You Only Look Once）算法是一种用于目标检测的深度学习方法，它将图像分类与边界框预测结合在一个神经网络中进行实时处理。YOLO的核心思想是把整个图片看作一个网格系统，在每个单元格内执行目标类别和位置信息的预测。 在结构上，YOLO使用了一个基于卷积层、池化层以及全连接层构成的基础模型，并且通过减少全连接层的数量来降低计算复杂度。这种设计不仅使得网络能够捕捉到图像中的空间关系，同时也保持了较高的检测速度。 此外，为了提高目标识别的精度和召回率，YOLO还引入了一些改进措施，例如使用多个尺度进行预测、对不同类别的权重分配等策略优化模型性能。这些创新性技术使YOLO在实时场景下具有很高的实用价值。