YOLO-LITE项目实现(比SSD和MobileNet更快的算法)

YOLO-LITE

论文:Yolo-lite paper

项目:Yolo-lite

不懂原理的可以看我的这篇博客:YOLO-LITE原理

YOLO-LITE是YOLOv2的网络实施 - 在MS COCO 2014和PASCAL VOC 2007 + 2012上接受过微小训练。在开发YOLO-LITE时使用的所有训练模型(cfg和权重文件)都在这里。我们的目标是创建一个架构,可以在没有GPU的计算机上以10 FPS的速度进行实时物体检测,平均精度约为30%

Demo

https://reu2018dl.github.io/#examples  可以直接在浏览器中进行实时的目标检测,有COCO和VOC训练模型.

Results

DataSet mAP FPS
PASCAL VOC 33.57 21
COCO 12.26 21

best PASCAL cfg | best PASCAL weights

best COCO cfg | best COCO weights

效果图:

至于实时目标检测的视频可以自己去模拟哈

Getting start:

1.安装darknet(按照readme的步骤安装)

darknet

 2.安装完之后,可以采用以下命令去测试每个训练模型的平均精确度(map)

python mapScript.py

出现提示时,添加cfg的位置和权重文件夹的位置

3.测试

为了得到FPS,采用了darknet的Python改编版Darkflow

4.网页应用

要将模型转换为JavaScript,我们遵循以下教程

转换为JavaScript后,请参阅我们的两个tfjs-yolo-tinytfjs-yolo-tiny-demo的存储库。

将index_coco.js和index_voc.js中的第14行替换为步骤2中生成的.json文件的链接:

model = await downloadModel('put your link here');

5.如何修剪重量
虽然我们发现通过一个简单的阈值修剪权重并没有真正影响mAP或FPS somoene,但是其他人可能会觉得这个脚本很有用。要修剪权重文件,导航到weights.py文件然后运行

python weights.py WEIGHTS_FILE_NAME THRESHOLD

YOLO-LITE运行速度特别快,感兴趣的朋友可以动手试一试,我会接着进行扩展的,大家一起学习。 

阅读更多

没有更多推荐了,返回首页