Advertisement

Mobilenet-Yolov4-Lite-Pytorch: 一个基于Mobilenet-Yolov4-Lite的Pytorch库

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

简介：
简介：Mobilenet-Yolov4-Lite-Pytorch是一个轻量级的目标检测框架，结合了MobileNet和Yolov4-Lite的优点，采用PyTorch实现，适用于资源受限的设备。 YOLOV4：You Only Look Once目标检测模型-使用mobilenet系列主干网络在PyTorch中的实现 2021年2月8日更新： 加入了letterbox_image的选项，关闭此功能后网络的mAP一般可以得到提升。 性能情况如下： | 训练数据集 | 测试数据集 | 输入图片大小 | mAP 0.5:0.95 | mAP 0.5 | |------------|-----------------|--------------|---------------|----------| | VOC07+12 | VOC-Test07 | 416x416 | - | 79.72 | | VOC07+12 | VOC-Test07 | 416x416 | - | 80.12 | | VOC07+12 | VOC-Test07 | 416x416 | - | 79.01 | 所需环境： torch==1.2.0 注意事项：提供的三个权重分别是基于mobilenetv1、mobilenetv2和mobilenetv3主干网络训练而成的。使用时请注意backbone与相应权重的对应关系。

全部评论 (0)

还没有任何评论哟~
客服
客服
客服关闭
  • Mobilenet-Yolov4-Lite-Pytorch: 一个基于Mobilenet-Yolov4-Lite的Pytorch库
    优质
    简介：Mobilenet-Yolov4-Lite-Pytorch是一个轻量级的目标检测框架，结合了MobileNet和Yolov4-Lite的优点，采用PyTorch实现，适用于资源受限的设备。 YOLOV4：You Only Look Once目标检测模型-使用mobilenet系列主干网络在PyTorch中的实现 2021年2月8日更新： 加入了letterbox_image的选项，关闭此功能后网络的mAP一般可以得到提升。 性能情况如下： | 训练数据集 | 测试数据集 | 输入图片大小 | mAP 0.5:0.95 | mAP 0.5 | |------------|-----------------|--------------|---------------|----------| | VOC07+12 | VOC-Test07 | 416x416 | - | 79.72 | | VOC07+12 | VOC-Test07 | 416x416 | - | 80.12 | | VOC07+12 | VOC-Test07 | 416x416 | - | 79.01 | 所需环境： torch==1.2.0 注意事项：提供的三个权重分别是基于mobilenetv1、mobilenetv2和mobilenetv3主干网络训练而成的。使用时请注意backbone与相应权重的对应关系。
     
  • Complex-YOLOv4-PyTorch: 基于YOLOv4的PyTorch实现
    优质
    Complex-YOLOv4-PyTorch 是一个基于 YOLOv4 的目标检测模型，采用 PyTorch 框架开发，提供了高性能和高效率的目标检测能力。该实现优化了原始 YOLOv4 架构，并增加了复杂度以适应更多场景需求。 本段落介绍了一种基于YOLOv4的PyTorch实现：支持实时3D对象检测，并使用张量板镶嵌/切口增强训练方法进行优化，损失函数则采用旋转框的形式计算。 更新至2020.08.26版本后，该模型在训练和推理速度上均有显著提升。此外，它采用了无锚的方法并省去了非最大抑制的步骤，在GTX 1080Ti显卡上的性能表现尤为出色。 ### 2. 入门 #### 2.1 要求 安装所需库及依赖项，请运行以下命令： ``` pip install -U -r requirements.txt ``` 请参考各库官方网站获取详细的安装说明信息。 #### 2.2 数据准备 从3D KITTI检测数据集中下载相关文件，包括： - Velodyne点云（约29GB）：用于输入至Complex-YOLO模型的对象数据集。 - 训练标签（5MB）：作为Complex-YOLO模型的输入标签。 - 摄像机校准矩阵（16MB）：用于可视化预测的数据。 - 左侧彩色图像（约12GB）：同样为可视化预测所用。 请确保以上数据文件按照正确的格式和路径进行准备。
     
  • PyTorch-YOLOv4：基于PyTorch、ONNX和TensorRT的YOLOv4实现-源码
    优质
    简介：本项目提供了一个使用PyTorch框架实现的YOLOv4模型，并支持导出为ONNX格式及优化为TensorRT引擎，便于部署与加速。 pytorch-YOLOv4 是 YOLOv4 的最小 PyTorch 实现。 项目结构如下： - README.md：介绍文档。 - dataset.py：数据集相关代码。 - demo.py：运行示例脚本，使用 pytorch 进行推理。 - tool/darknet2pytorch 目录包含将 darknet 模型转换为 pytorch 的工具和脚本。 - demo_darknet2onnx.py：用于将模型从 darknet 转换为 onnx 格式的工具。 - demo_pytorch2onnx.py：使用 PyTorch 将模型转成 ONNX 格式。 - models.py：包含 PyTorch 的 YOLOv4 模型定义代码。 - train.py：训练脚本。
     
  • PyTorch-YOLOv4-Master.rar
    优质
    PyTorch-YOLOv4-Master 是一个基于 PyTorch 框架实现的 YOLOv4 版本项目源代码集合，用于目标检测任务，提供高效、准确的目标识别功能。 手把手教物体检测yolov4代码，包括数据集、训练好的模型以及用于训练和测试的代码。
     
  • PyTorch下的Yolov4-Tiny实现
    优质
    本项目在PyTorch框架下实现了轻量级目标检测模型Yolov4-Tiny，适用于资源受限的环境，提供高效的物体识别和定位能力。 yolov4-tinypytorch的实现需要遵循yolov4-tiny的要求。所需库包括：torch、torchvision、opencv-python、Pillow、matplotlib和tqdm。 训练数据集应按照coco2017的数据格式存放，具体结构如下： ``` coco ├── labels/ │ ├── train2017/ │ │ └── 0001.txt (classes cx cy w h) │ └── val2017/ └── images/ ├── train2017/ │ └── 0001.jpg └── val2017/ ``` 设置数据集时，需要修改config.py文件中的train_datasets_images_path和train_datasets_labels路径。
     
  • Mobilenet-YOLO-Pytorch:涵盖mobilenet系列（v1，v2，v3...）及yolo系列（yolov3...）
    优质
    Mobilenet-YOLO-Pytorch是一个基于PyTorch框架开发的项目，集成了多种高效的轻量级模型和目标检测算法，包括Mobilenet v1/v2/v3及Yolov3等。 Mobilenet-YOLO-Pytorch 与我之前的项目相似，其损失函数与原始实现非常接近。该模型使用PyTorch实现了基于MobileNet的YOLO检测网络，并在VOC2007（包含07+12）数据集上进行了训练和测试。预训练图像网络未采用Coco。 以下是不同配置的结果： - MobileNetV2：352分辨率，精度为71.2 - MobileNetV3 要开始使用这个项目，请按照以下步骤操作： 1. 下载并解压VOCdevkit数据集（如果已存在该数据集，则可以跳过此步）。 2. 运行脚本以创建lmdb文件：`sh scripts/create.sh` 3. 开始训练模型：`sh scripts/train.sh` 演示版本可以通过执行相应的下载命令来获取，并将其保存在$ Mobilenet-YOLO-Pytorch / check目录中。
     
  • YOLO3D-YOLOv4-PyTorch: YOLO3D增强版
    优质
    YOLO3D-YOLOv4-PyTorch是基于YOLOv4框架的PyTorch实现，专为三维目标检测优化。相较于原版YOLOv4，该版本加入了深度信息处理能力，显著提升了复杂场景下的实时物体识别精度和效率。 本段落基于YOLOv4的PyTorch实现：演示版。输入为鸟瞰图（BEV）地图，该地图由3D LiDAR点云的高度、强度和密度编码而成。输入尺寸为608 x 608 x 3。 输出包括7自由度的对象信息： (cx, cy, cz, l, w, h, θ) 其中， - cx, cy, cz：中心坐标。 - l, w, h：边界框的长度、宽度和高度。 - θ：包围盒的航向角，以弧度为单位。 对象类型包括汽车、行人及骑自行车的人。该实现具有基于YOLOv4的实时3D物体检测功能，并支持张量板以及镶嵌/切口增强训练等特性。 2.入门指南 2.1 要求 通过pip install -U -r requirements.txt安装必要库，具体信息请参考官方文档。 2.2 数据准备 下载3D KITTI检测数据集。该数据包含Velodyn点云信息等相关内容。
     
  • YOLOv4-pytorch 源代码版本
    优质
    YOLOv4-pytorch源代码版本是一个基于PyTorch框架实现的YOLOv4目标检测算法项目，提供模型训练、推理等功能，适用于计算机视觉领域的研究与开发。 YOLOv4-pytorch 版源代码提供了一个基于 PyTorch 的实现方案，适用于那些希望在 Python 环境下使用 YOLOv4 对象检测模型的开发者们。该版本不仅保留了原始框架的强大功能和高效性，还通过利用 PyTorch 框架的优势进行了优化与改进。对于熟悉 PyTorch 并且想要深入了解或直接应用 YOLOv4 的研究者和技术人员来说，这是一个非常有价值的资源。
     
  • 抽烟检测-yolov4-tiny-pytorch版本
    优质
    本项目采用PyTorch实现YOLOv4-tiny模型，专注于抽烟行为的实时检测，适用于监控系统和智能安全领域。 抽烟检测使用了yolov4-tiny-pytorch源码，并且通过大量抽烟数据集训练出的模型，识别准确度高达98%，运行速度超过20帧每秒，下载后即可直接运行。
     
  • 基于PyTorch的Yolov4目标检测模型代码实现
    优质
    本项目采用PyTorch框架实现了先进的YOLOv4目标检测算法，提供高效准确的目标识别与定位能力，适用于多种视觉任务需求。 使用Yolov4训练自己的目标检测模型的教程可以参考相关文章。该文章详细介绍了如何利用YOLOv4进行自定义的目标检测任务设置与训练流程。