【目标检测】YOLO-Lite阅读笔记

最新推荐文章于 2024-10-13 11:17:47 发布

1273545169

最新推荐文章于 2024-10-13 11:17:47 发布

阅读量1k

点赞数

本文链接：https://blog.csdn.net/baidu_27643275/article/details/91376403

版权

本文介绍YOLO-Lite，一种针对无GPU设备优化的轻量级实时目标检测算法。通过减少输入图像分辨率、移除BN层、采用深度可分离卷积等手段，有效提升了检测速度，同时保持了较高的mAP。适用于资源受限的嵌入式平台。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

github：YOLO-Lite
在这里插入图片描述
当YOLOv2-Tiny在无GPU的平台运行时，FPS由224降低为2.4。

对于无GPU的设备来讲，tiny-yolo很难达到实时。

yolo-lite----mAP和FPS

mAP：Filters、Layers

FPS：FLOPS
在这里插入图片描述

Architecture

在这里插入图片描述

BN

不使用BN。BN层并不能很大幅度的提升算法性能，尤其是在模型网络层数很浅的情况下。但是BN层却会增加很多计算开销，于是yolo lite的作者直接去掉了BN层。

Image Size

输入图像的分辨率由416x416减小为224x224，从而降低FLOPS，增加FPS。

在这里插入图片描述

其他方法

Pruning

基于重要性，去掉某些权重

去掉某些低于阈值的权重

conv

使用深度可分离卷积

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

1273545169

关注关注

0
点赞
踩
2

收藏

觉得还不错? 一键收藏
0
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

YOLO-NAS详细教程-实现图像分割

DT程序员的博客

09-04

315

本文详细介绍如何基于YOLO-NAS实现图像分割

YOLOV5-Lite轻量化部署与训练

`or 1 or 不正经の泡泡

07-08

2953

没啥意思，很简单，需要实现一个目标检测，但是，不能占用太多运算资源，同时需要保证一定的精度。并且要在移动端部署，要在一台ROS小车上面部署。那么此时常见的选择自然有yolov3-tiny等。但是考虑到onnx部署方案的成熟，目前的加持之下，python也有不错的效率，所以，这里就考虑使用到yolov5-lite版本。可以看到官方的对比：同时在我的本地机器上面也是做了对比。

参与评论您还未登录，请先登录后发表或查看评论

Yolo-lite:实时的适用于移动设备的目标检测算法(比ssd和mobilenet更快)

ghw15221836342的博客

11-24

1万+

YOLO-LITE: A Real-Time Object Detection Algorithm Optimized for Non-GPU Computers 论文：Yolo-lite paper 项目：Yolo-lite 摘要：　　作者提出了一种可以应用于便携式设备中运行的实时的目标检测算法，例如：手机或者没有gpu的笔记本．在PASCAL VOC和coco数据集上的map是33...

YOLO-LITE

年轻即出发，

11-19

5714

论文：YOLO-LITE: A Real-Time Object Detection Algorithm Optimized for Non-GPU Computers Github：https://github.com/reu2018DL/YOLO-LITE 论文致力于设计一个网络（cpu速度大于10FPS，PASCAL VOC精度大于30%），因此基于YOLO-v2，提...

yolov3-lite.cfg

10-27

加快的YOLOv3行人检测配置文件

YOLO系列之YOLO-Lite：实时运行在CPU上的目标检测算法

木盏

11-19

1万+

实时目标检测一直是yolo系列的追求之一，从yolo v1开始，作者就在论文中强调real-time。在后期的v2和v3的发展过程中，慢慢在P&R(尤其是recall rate)上下不少功夫。同时，计算量的增大也牺牲了yolo的实时性。 tiny-yolo是轻量级的yolo，在不那么要求mAP的场景下，tiny-yolo可以作为v2甚至v3的代替结构。事实上，对于无GPU的设备来讲，ti...

YOLO论文阅读笔记

以道御术

08-21

879

YOLO简介首先贴下资源 yolo的官方文档 yolo的论文地址 yolo的github源码地址 yolo是RBG大神在rcnn系列之后的又一力作。针对在目标检测领域中无法达到实时检测效果的问题，独辟蹊径，为目标检测提供了新的思路。之前在rccn系列中，作者第一步是先通过一定的算法筛选出一些region proposal（大概2000个左右），然后再用cnn提取region proposal

YOLO-LITE:专门面向CPU的实时目标检测

我爱计算机视觉

11-16

1144

点击我爱计算机视觉标星，更快获取CVML新技术现在的实时目标检测算法，比如YOLO、SSD在GPU上已经可以跑的很快了，比如YOLOv2可以在GPU上跑到224fps，但在便携式笔记本甚...

树莓派4B安装paddle-lite跑yolo3项目全过程

qq_41512357的博客

07-15

2826

硬件环境：树莓派4B 软件环境：python3.8.10，ubuntu20.4，cmake3.10.3，opencv4.2.0 Paddlelite2.8（自己在ARM端编译）目录 1.系统环境准备 2.安装编译环境 3.运行官方demo 4.运行yolo模型 1.系统环境准备 1.系统环境准备刷ubuntu20.4镜像。读卡器打开TF卡，直接添加txt文件，把文件名，后缀全删除，改成ssh。用网线连接电脑，电脑网络设置共享 cmd 后用 arp-a 查看...

CornerNet-Lite论文笔记与代码复现

浅浅记录一下吧。

06-15

1338

CornerNet-Lite论文阅读与代码复现（一）Title （二）背景知识：Conernet 1、Idea 当今的目标检测算法大多都是基于深度学习模型的，大致可以分为两大门派，一个叫做One-Stage系列，另一个叫做Two-Stage系列。Two-Stage系列顾名思义就是两步走：是先由算法生成一系列作为样本的候选框（Region Proposal），再通过卷积神经网络对候选框进行分类回归，典型代表有R-CNN系列；而One-Stage系列则不用产生候选框，直接将目标边框定位的问题转化为回归问题处

探秘YOLO-LITE：轻量级物体检测框架的技术魅力

gitblog_00037的博客

04-27

622

探秘YOLO-LITE：轻量级物体检测框架的技术魅力去发现同类优质开源项目:https://gitcode.com/ 项目简介 YOLO-LITE 是一个基于深度学习的轻量级物体检测框架，灵感来源于经典的 YOLO (You Only Look Once) 系列算法。它的设计目标是为资源有限的设备如嵌入式系统、移动端设备提供高效的物体检测解决方案。YOLO-LITE不仅在速度上表现出色，而且在模...

YOLOv5-Lite训练样本集：即刻开始目标检测模型训练

最新发布

weixin_36487018的博客

10-13

1030

本文还有配套的精品资源，点击获取简介：YOLOv5-Lite训练样本集专为计算机视觉目标检测任务设计，无需复杂的数据预处理即可直接使用。样本集包含Annotations和JPEGImages文件夹，分别存储图像注解和图像文件，方便模型训练。YOLOv5-Lite作为YOLO系列的轻量级版本，优化了模型结构，以适应计算资源有限的设备，同时保留了YOLO的核心特性。本样本集支...

yolov5——lite在电脑上部署全过程，以及进行训练

m0_49883026的博客

07-16

1651

输入标签名字一个标签基本不用管什么，多个注意一下后面，点击箭头下一个，也可以用快捷键俺不会，可能会弹出一个东西，点击yes就可以啦，之后再labels文件夹就可以看到标签啦。点击上面这个选择zip格式，之后进行解压，之后安装pychar（俺安装的2024.1.4），python版本为3.9，可以去搜索一下安装教程，之后点击view勾上第一个，开始标记，下发如果没有yolov这个图标，点一下可以切换，得到的就是yolo的标签格式，按w开始画框标记。

基于YOLO-LITE的人脸口罩检测

倪锐晨的博客

06-29

1702

基于YOLO-LITE的人脸口罩检测项目简介代码地址YOLO介绍任务定义及主流方法模型轻量化的意义性能指标的定义IoUmAP电脑配置数据整理数据来源数据可视化模型设计Anchor框的大小确定YOLO-LITE模型结构数据类型的确定从随机初始化开始的训练过程误差的定义从随机初始化开始的模型训练过程模型的训练结果与讨论模型性能模型改进展望先验Anchor框的选取与多尺度目标检测过拟合问题高层次特征的学习代码参考项目简介这是我这学期模式识别课程的大作业。简单写个博客纪念一下。网上也有很多关于目标检测的YO

YoloV5、ShuffleNetV2、YoloV5-Lite网络概述

m0_64561077的博客

03-24

5622

本文主要讲解了yolov5、ShuffleNetV2以及yolov5-Lite的网络结构相关知识

树莓派部署yolov5-lite全过程及踩坑记录

Alihao_的博客

10-14

4811

总之，YOLOv5-Lite模型相较于YOLOv5更轻、更快、更易部署，将其部署到树莓派上可以实现实时目标检测，并节约成本和提供便携性。内容包括树莓派上部署yolov5-lite模型

基于树莓派4B的YOLOv5-Lite目标检测的移植与部署（含训练教程）