Advertisement

利用EfficientNet-lite和Yolo的通用目标检测模型，进行C/C++开发。

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

简介：
Yolo通用目标检测模型与EfficientNet-lite协同应用，其计算量仅为230百万浮点运算每秒（230Mflops，或0.23亿浮点运算每秒，即0.23Bflops），模型尺寸仅为1.3兆字节。该模型以“简单、快速、紧凑、易于移植”为特点，适用于所有平台上的实时目标检测算法。作为基于Yolo的最快和最小的通用目标检测算法，其速度比MobileNetV2-YOLOv3-nano快45%，同时参数数量减少了56%。在VOC评估指标下，分辨率方面，网络运行时间（使用Ncnn 1xCore）为11.36毫秒，使用Ncnn 4xCore则为5.48毫秒。此外，该模型的FLOPS值为0.55亿浮点运算每秒，重量大小为3.0兆字节。

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。
     
  • 利用TensorFlow.js和YOLO模型在浏览器中进行目标检测
    优质
    本项目采用TensorFlow.js与YOLO模型实现在网页浏览器中的实时目标检测功能。用户无需安装额外软件即可轻松使用先进的图像识别技术。 使用TensorFlow.js基于YOLO模型实现浏览器中的目标检测。
     
  • 使用OpenCV-DNN模块调用YOLO模型进行目标检测
    优质
    本项目利用OpenCV与DNN模块高效集成YOLO算法，实现实时视频流中的精准目标检测，展现深度学习在计算机视觉领域的强大应用。 该文件中的代码使用C++和OpenCV的DNN模块调用darknet训练的yolo检测模型，实现目标检测功能。
     
  • 利用YOLO算法进行口罩目标检测
    优质
    本研究采用YOLO算法对图像中的口罩佩戴情况进行实时检测和识别，旨在提高公共安全和个人防护水平。 使用YOLOv5训练的口罩检测模型可以达到约90%的mAP值，能够识别是否佩戴口罩，并且支持图片、视频以及实时摄像头输入进行检测。直接运行detect命令即可开始使用该功能。
     
  • 使用C++调用YOLOv4进行目标检测
    优质
    本项目利用C++语言实现对YOLOv4模型的调用，旨在进行高效准确的目标检测任务。通过集成深度学习技术，提升计算机视觉应用中的实时性能和精确度。 需要配置OpenCV和CUDA的环境。配置完成后可以直接运行生成检测后的图片，并将yolov4.weights文件下载后放置在代码目录下。
     
  • 利用C++和OpenCV进行目标计数
    优质
    本项目运用C++编程语言结合OpenCV库，开发了一套高效的目标检测与计数系统，适用于视频或图像中的物体数量统计。 利用C++结合OpenCV对图像中的特定目标进行计数。本代码用于统计圆形商标的数量，在处理图片过程中会先将其灰度化、二值化，并执行腐蚀膨胀操作。之后通过识别目标轮廓来判定圆形商标，并输出最终的统计数据。
     
  • 利用Visual C#和ArcEngine进行二次开发
    优质
    本项目专注于使用Visual C#结合ArcEngine进行地理信息系统(GIS)的二次开发，旨在提高空间数据处理与分析能力，适用于城市规划、环境监测等领域。 该文档讲述了使用Visual C#和ArcEngine进行二次开发的内容，主要包括一些基础GIS功能按钮的添加、简单图查属性功能的实现以及简单属性查图功能的实现。