Advertisement

基于EfficientNet-lite的Yolo通用目标检测模型-C/C++开发

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

简介：
本项目采用EfficientNet-lite架构优化Yolo算法，构建高效准确的目标检测系统，并以C/C++实现跨平台应用开发。 Yolo通用目标检测模型与EfficientNet-lite结合使用，在计算量仅为230Mflops（即0.23Bflops）的情况下运行，并且模型大小为1.3MB，这是一种快速、紧凑且易于移植的实时目标检测算法，适用于所有平台。这是基于YOLO框架开发的最快和最小的通用目标检测算法之一。 与MobileNetV2-YOLOv3-Nano相比，Yolo-Fastest的速度快45%，参数数量减少了56%。评估指标如下： - 网络：VOC mAP（0.5） - 分辨率：320 - 运行时间（Ncnn 1xCore）: 7.8ms - 运行时间（Ncnn 4xCore）: 不详 - FLOPS : 0.23Bflops - 大小 : 1.3MB

全部评论 (0)

还没有任何评论哟~
客服
客服
客服关闭
  • 基于EfficientNet-lite的Yolo通用目标检测模型-C/C++开发
    优质
    本项目采用EfficientNet-lite架构优化Yolo算法，构建高效准确的目标检测系统，并以C/C++实现跨平台应用开发。 Yolo通用目标检测模型与EfficientNet-lite结合使用，在计算量仅为230Mflops（即0.23Bflops）的情况下运行，并且模型大小为1.3MB，这是一种快速、紧凑且易于移植的实时目标检测算法，适用于所有平台。这是基于YOLO框架开发的最快和最小的通用目标检测算法之一。 与MobileNetV2-YOLOv3-Nano相比，Yolo-Fastest的速度快45%，参数数量减少了56%。评估指标如下： - 网络：VOC mAP（0.5） - 分辨率：320 - 运行时间（Ncnn 1xCore）: 7.8ms - 运行时间（Ncnn 4xCore）: 不详 - FLOPS : 0.23Bflops - 大小 : 1.3MB
     
  • 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。
     
  • 基于C++的YOLO单张图像目标检测模型加载
    优质
    本项目采用C++实现YOLO算法进行单张图像的目标检测，并展示了如何高效地加载和使用预训练模型。 在 Windows 下使用 VS 平台结合 C++ 和 OpenCV 加载深度学习 YOLO 模型实现单张图片的目标检测。
     
  • 基于C++的YOLO目标检测实现
    优质
    本项目基于C++语言实现了YOLO（You Only Look Once）算法的目标检测功能，旨在提供高效且精确的对象识别解决方案。 目标检测是一种计算机视觉任务，旨在识别图像或视频中的特定对象，并确定它们的位置。这项技术在自动驾驶、安全监控等领域有广泛应用。通过训练深度学习模型，可以实现对多种物体的准确识别与定位。此外，目标检测还支持实时处理大量数据流，在智能机器人和增强现实应用中发挥重要作用。
     
  • 基于FastAPI的YOLO目标检测模型封装
    优质
    本项目采用FastAPI框架对YOLO目标检测模型进行高效封装，旨在提供一个简洁易用的RESTful API接口，便于用户快速集成和部署目标检测功能。 使用FastAPI对OpenCV调用YOLO检测模型的过程进行封装，实现通过接口直接获取检测结果。
     
  • Gen-EfficientNet-Pytorch: 预先训练的EfficientNet及EfficientNet-Lite等模型
    优质
    Gen-EfficientNet-Pytorch是一个包含预先训练好的EfficientNet和EfficientNet-Lite模型的库，适用于PyTorch框架。这些高效模型在多个图像分类任务中表现出色。 PyTorch的EfficientNets（包括EfficientNet、MixNet、MobileNetV3等）提供了一种“通用”实现方式，涵盖了从MobileNet V1/V2块序列派生出的大多数计算/参数高效架构，其中包括通过自动神经架构搜索发现的一些架构。所有这些模型都是由GenEfficientNet或MobileNetV3类来实现，并且使用基于字符串的体系结构定义来进行配置以确定块布局。 在2020年8月19日更新中，新增了我用timm训练得到的一个更优版本的PyTorch EfficientNet-B3砝码（准确率为82.1% top-1）。此外还添加了一个经过PyTorch训练有素的EfficientNet-Lite0模型（top-1准确率75.5%）。 更新内容还包括ONNX和Caffe2导出/实用程序脚本，使其能够与最新的PyTorch及ONNX版本兼容。另外新增了基于ONNX运行时验证脚本激活功能，在大多数情况下可以实现与timm等效项的相同效果。
     
  • 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OpenCV和YOLO的目标检测器开发（含源码）
    优质
    本项目介绍了一种结合了OpenCV与YOLO算法的目标检测解决方案，并提供了完整的源代码。适用于计算机视觉领域的研究和应用开发。 YOLO作为一种对象检测和图像分割模型，设计快速、准确且易于使用，使其成为各种物体检测与跟踪、实例分割、图像分类和姿态估计任务的理想选择。本资源包含三个使用YOLOv8制作的检测器：1. 行人检测器：能够精确地检测行人，并设定行人数计数区域以实时计算区域内行人的数量；2. 小狗检测器：实现实时小狗识别，在小狗爬上沙发后触发警报；3. 车辆检测器：提供实时车辆检测、跟踪功能，同时具备车速测量和超速监测能力。
     
  • 基于ONNXRuntime的yolov5-lite目标检测部署（含C++与Python实现）.zip
    优质
    本资源提供了一个使用ONNXRuntime实现YOLOv5-Lite模型的目标检测项目，包含详细的C++和Python代码示例，适用于快速部署和应用。 我打算使用OpenCV配置yolov5-lite目标检测模型，但遇到问题：OpenCV的dnn模块无法正确读取.onnx文件。因此，计划改用ONNXRuntime来部署yolov5-lite的目标检测功能，并且会编写C++和Python两个版本的程序来进行测试。
     
  • 基于C++和cmake的目标检测项目：部署yolov9 onnx模型
    优质
    本项目采用C++和CMake构建，专注于将YOLOv9 ONNX模型高效地部署于各类平台。通过优化代码与配置，实现目标检测应用的快速开发及灵活部署。 【测试环境】vs2019 opencv==4.9.0 cmake==3.24.3 测试发现opencv 4.7.0不支持，必须对应opencv版本，注意源码只有检测图片功能，这个代码只是演示如何推理，如果需要推理视频需要自己加读取视频功能【博客地址】blog..net/FL1623863129/article/details/136433307 【演示视频】bilibili.com/video/BV1Wt421t79e/ 去掉链接后的信息如下： 测试环境为vs2019，opencv版本为4.9.0和cmake 3.24.3。在测试中发现，opencv 4.7.0不被支持，必须使用对应的opencv版本。需要注意的是源码仅包含检测图片的功能，该代码主要用于展示如何进行推理操作；若需要对视频进行推理，则需自行添加读取视频的相关功能。 演示内容发布于博客和B站，请前往查看详细信息与演示视频。