Advertisement

OpenVINO-YOLOV4: OpenVINO 2021.3中的YOLOv4系列，包括YOLOv4、YOLOv4-relu和YOLOv4-tiny等版本

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

简介：
简介：OpenVINO-YOLOV4项目是基于Intel OpenVINO工具套件2021.3实现的高性能YOLOv4目标检测算法系列，涵盖经典YOLOv4、YOLOv4-relu及轻量级模型YOLOv4-tiny版本。 VINO-YOLOv4是一个完整实现的项目，支持多种设备上的YOLOv4模型变种：包括YOLOv4、YOLOv4-relu 和 YOLOv4-tiny。这些模型在英特尔CPU、英特尔GPU（HDDL）、VPU和NCS2等硬件上均可运行。 该项目提供了详细的推理演示： 1. Python示例代码涵盖所有上述提到的模型。 2. C++示例代码包括YOLOv4，YOLOv4-relu，YOLOv4-tiny以及YOLOv4-tiny-3l版本。 此外，项目还包含开发日志和教程文档。其中，“Pruned-OpenVINO-YOLO”部分详细介绍了如何修剪YOLO v3/v4及其轻量级变种（如：YOLOv4、YOLOv4-relu、YOLOv4-tiny 和 YOLOv4-tiny-3l）模型，以适应特定检测任务需求。通过此教程可以找到最紧凑的模型结构，并大幅压缩原模型体积同时优化帧率性能(FPS)。 该教程支持中文和英文双语版本供用户选择学习使用。

全部评论 (0)

还没有任何评论哟~
客服
客服
客服关闭
  • OpenVINO-YOLOV4: OpenVINO 2021.3中的YOLOv4系列，包括YOLOv4、YOLOv4-relu和YOLOv4-tiny等版本
    优质
    简介：OpenVINO-YOLOV4项目是基于Intel OpenVINO工具套件2021.3实现的高性能YOLOv4目标检测算法系列，涵盖经典YOLOv4、YOLOv4-relu及轻量级模型YOLOv4-tiny版本。 VINO-YOLOv4是一个完整实现的项目，支持多种设备上的YOLOv4模型变种：包括YOLOv4、YOLOv4-relu 和 YOLOv4-tiny。这些模型在英特尔CPU、英特尔GPU（HDDL）、VPU和NCS2等硬件上均可运行。 该项目提供了详细的推理演示： 1. Python示例代码涵盖所有上述提到的模型。 2. C++示例代码包括YOLOv4，YOLOv4-relu，YOLOv4-tiny以及YOLOv4-tiny-3l版本。 此外，项目还包含开发日志和教程文档。其中，“Pruned-OpenVINO-YOLO”部分详细介绍了如何修剪YOLO v3/v4及其轻量级变种（如：YOLOv4、YOLOv4-relu、YOLOv4-tiny 和 YOLOv4-tiny-3l）模型，以适应特定检测任务需求。通过此教程可以找到最紧凑的模型结构，并大幅压缩原模型体积同时优化帧率性能(FPS)。 该教程支持中文和英文双语版本供用户选择学习使用。
     
  • TensorFlow-YOLOv4-TFLite: YOLOv4, YOLOv4-tiny, YOLOv3, 和 YOLOv3-tiny 在 T...
    优质
    简介：此项目实现YOLOv4、YOLOv4-tiny、YOLOv3及YOLOv3-tiny模型在TensorFlow框架下的转换至TFLite格式，适用于移动设备与嵌入式系统。 TensorFlow-YOLOv4-TFLite 是在 Tensorflow 2.0 中实现的 YOLO v4 和 YOLO v4-tiny 版本。该项目可以将YOLO v4、YOLO v3以及YOLO tiny 的.weights 文件转换为.pb、.tflite和trt格式，以便生成 TensorFlow、TensorFlow Lite 和 TensorRT。 性能演示版 # 将darknet权重转换成tensorflow ## YOLOv4 python save_model.py --weights ./data/yolov4.weights --output ./checkpoints/yolov4-416 --input_size 416 --model yolov4 ## YOLOv4-tiny python save_model.py --weights ./data/
     
  • YOLOv4-对比-YOLOv4-tiny
    优质
    本篇内容主要探讨了YOLOv4与YOLOv4-tiny之间的区别和优劣。YOLOv4是实时目标检测算法中的佼佼者，而YOLOv4-tiny则是在保持高效的同时，通过简化网络结构来实现模型的轻量化。 根文件夹中有两个主要的Jupyter笔记本，其中包含在Roboflow数据集上运行YOLOv4和YOLOv4-tiny的所有代码和指令。我还添加了一些功能来使用您的网络摄像头捕获实时对象检测。 视频文件夹包含经过口罩训练的YOLOv4视频，并将其应用于涵盖冠状病毒最新新闻的视频。
     
  • Pruned-OpenVINO-YOLO: 在OpenVINO嵌入式设备上部署优化的YOLOv3/YOLOv4/YOLOv4-tiny模型
    优质
    Pruned-OpenVINO-YOLO项目致力于在OpenVINO框架下，为嵌入式设备提供轻量级且高效的YOLOv3、YOLOv4及YOLOv4-tiny版本的优化部署方案。通过模型剪枝技术显著减小模型大小并加速推理过程，同时保持高精度和实时性能，适用于资源受限环境下的目标检测任务。 修剪后的OpenVINO-YOLO 先决条件： 首先安装mish-cuda：测试平台为WIN10 + RTX3090 + CUDA11.2。 如果无法在设备上安装，可以尝试其他方式。 开发日志： - 2021年2月25日：支持yolov4-tiny和yolov4-tiny-3l。请使用或修剪yolov4-tiny和yolov4-tiny-3l模型，并通过darknet调整修剪后的模型，无需加载权重。 - 2021年3月13日：更新了Mish-cuda支持，增强了代码对YOLOv4的适应性（训练更快、内存占用更少）。 介绍： 当在OpenVINO上部署YOLOv3和YOLOv4时，完整版模型FPS较低；而微型版本虽然提高了速度但准确性较差且稳定性不足。通常，完整结构设计用于复杂场景中检测80个或更多类别的目标，在实际应用中往往只需处理几个类别，并非所有场景都那么复杂。 本教程将分享如何修剪YOLOv3和YOLOv4模型以适应这些特定需求。
     
  • YOLOV4-Tiny-TFLite
    优质
    简介：YOLOv4-Tiny-TFLite是一款轻量级目标检测模型，在保持高性能的同时大幅减少了计算资源需求，特别适用于移动设备和IoT应用。 YOLOV4-TINY-TFLITE 是一个针对目标检测任务优化的轻量级模型，它基于YOLO（You Only Look Once）系列算法的第四代版本——YOLOV4，并进行了小型化处理，以适应资源有限的环境，如嵌入式设备或移动端应用。TFLITE则是TensorFlow Lite的缩写，它是Google开发的一种轻量级机器学习框架，用于在移动和物联网设备上部署模型。 YOLOV4是目标检测领域的先进算法，在速度与精度之间取得了良好的平衡。该模型采用了一系列改进技术，包括但不限于： 1. CSPNet（Consistent Structure Propagation Network）：通过引入跨阶段连接来减少训练过程中的内部协变量位移，提高模型稳定性。 2. SPP-Block（Spatial Pyramid Pooling）：利用空间金字塔池化层增加模型对不同尺度目标的鲁棒性。 3. PANet（Path Aggregation Network）：结合FPN（Feature Pyramid Network）和ASPP（Atrous Spatial Pyramid Pooling），进一步提升多尺度目标检测能力。 4. Mish激活函数：替代传统的ReLU，提供更平滑的梯度分布，有助于提高模型性能。 5. MixUp和CutMix数据增强策略：通过合成训练样本来增强模型泛化能力。 YOLOV4-TINY在保留YOLOV4核心优势的基础上对网络结构进行了简化和小型化处理。主要目的是为了更快的推理速度和更低的计算资源需求，但相比于标准版本可能会牺牲一定的精度。 TensorFlow Lite是TensorFlow的一个轻量化版本，专门设计用于移动和嵌入式平台。它通过模型转换工具将标准的 TensorFlow 模型优化为适用于低功耗设备的形式，并包括对模型进行量化、剪枝和优化。YOLOV4-TINY-TFLITE模型经过了TFLITE框架下的优化处理，这使得该模型能够在Android或iOS等移动设备上运行目标检测任务，无需高性能硬件支持。 文件列表中的YOLOV4-TINY-TFLITE-main可能包含了训练好的模型权重、结构定义以及推理代码或者API。用户可以使用这些资源在自己的项目中快速集成YOLOV4-TINY-TFLITE模型，并实现实时的目标检测功能。实际应用过程中，需要根据不同的硬件条件调整参数，并优化图像预处理和后处理步骤以获得最佳的检测性能。
     
  • yolov4-tiny-v1.zip
    优质
    YOLOv4-Tiny-V1是一款轻量级目标检测模型，基于YOLOv4架构优化简化，适用于资源受限设备。该版本在保持较高检测精度的同时，显著减小了模型大小和计算需求。 tiny YOLOv4的预训练权重模型文件包括yolov4-tiny.cfg和yolov4-tiny.weights，该模型体积较小且运行速度快，结合OpenCV可以实现实时检测功能，并经过测试确认有效。
     
  • Yolov4-tiny: Yolov4的神经网络模型文件
    优质
    Yolov4-tiny是一种轻量级的物体检测模型，基于Yolov4架构优化而成，适用于资源受限的设备。 主要介绍的是Yolov4-tiny 和 Yolov4 的神经网络模型文件，可以直接调用。这些模型广泛应用于物体识别、目标跟踪、人脸识别以及无人机等领域。
     
  • yolov4-conv-137 与 yolov4-weights
    优质
    YOLOv4-Conv-137和YOLOv4-Weights是基于YOLOv4架构的高度优化版本，采用卷积层裁剪技术减少至137层，大幅提高模型效率，适用于实时目标检测任务。 yolov4: yolov4-conv-137 预训练模型以及 yolov4 作者训练好的模型可以免费下载。详情可以在相关文章中找到。
     
  • Yolov4 Python图像识别：使用yolov4.weights、yolov4.cfg和coco.names
    优质
    本项目采用YOLOv4框架进行Python图像识别，通过加载yolov4.weights模型参数、yolov4.cfg配置文件及coco.names标签集实现高效目标检测。 Yolov4 Python图像识别：在Windows系统上运行yolov4.weights、yolov4.cfg以及coco.names文件成功后，可以检测以下对象： person bicycle car motorbike aeroplane bus train truck boat traffic light fire hydrant stop sign parking meter bench 动物：bird, cat, dog, horse, sheep, cow, elephant, bear, zebra, giraffe 物品：backpack, umbrella, handbag, tie, suitcase, frisbee, skis，snowboard， sports ball，kite， baseball bat，baseball glove， skateboard，surfboard， tennis racket，bottle， 饮料和餐具： wine glass cup fork knife spoon bowl 食品：banana, apple, sandwich, orange, broccoli, carrot, hot dog, pizza, donut, cake
     
  • Yolov4权重文件（yolov4.weights）
    优质
    Yolov4权重文件(yolov4.weights)是基于YOLOv4算法训练后得到的核心数据文件，用于目标检测任务中模型参数的加载和部署。 YOLOV4的权重文件可以在支持YOLOV3编译环境的情况下使用。相比YOLOV3，该版本具有更高的识别精确度和更好的识别效果。