YOLO-LITE:专门面向CPU的实时目标检测

最新推荐文章于 2024-04-29 00:30:00 发布
最新推荐文章于 2024-04-29 00:30:00 发布
阅读量1k 收藏 5
点赞数
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/moxibingdao/article/details/106666567
版权
研究人员提出YOLO-LITE算法，专为CPU设计，实现接近实时的10fps目标检测，尤其适用于便携设备。通过调整Tiny-YOLOv2的图像大小、层数和BN层，降低计算量，提高效率。在COCO数据集上的测试显示，虽然性能下降，但速度提升显著，远超Tiny-YOLOv2和SSD MobilenetV1。源码已在GitHub公开。
摘要由CSDN通过智能技术生成

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至手机终端，这些算法还不能达到实时。

来自Georgia Institute of Technology、The Cooper Union、UNC Wilmington的研究人员日前发表的一篇文章，旨在解决在CPU上实时的目标检测，甚至其提出的YOLO-LITE   算法在网页上也能接近实时（10fps）。

下图展示了该文提出的算法的测试示例：

下图是现有的一些实时目标检测算法的计算量比较，这些算法都无法在仅有CPU的笔记本上实时。

那如何设计新的算法呢？作者的方法就是在Tiny-YOLOv2

最低0.47元/天 解锁文章
我爱计算机视觉
关注
目标检测YOLO实战应用案例100讲-面向智能路侧边缘计算的车辆行人视觉目标检测算法研究
qq_36130719的博客
06-22 1143
我国每年大约发生20多万起交通事故，直接造成的经济损失约15亿元。为应对日益凸显的交通问题，合作式智能交通系统（CooperativeIntelligent Transportation Systems，C-ITS）[4]的概念被提出。作为C-ITS最新的发展方向，车路协同系统（Cooperative Vehicle Infrastructure Systems，CVIS）[5]采用先进的信息与通信技术，全方位实施车车、车路实时信息交互，以形成安全、高效和环保的道路交通环境。
目标检测YOLO实战应用案例100讲-智能目标检测系统在FPGA中的设计与实现
qq_36130719的博客
06-06 2369
本文结合FPGA芯片的高并行、低功耗、可重配置等优势，对基于卷积神经网络结构的目标检测算法，在端侧场景下的加速与部署进行研究与实现。本章节对本文涉及到的基本理论知识与技术手段进行介绍，为后续系统的方案分析与系统设计奠定理论基础。首先，介绍了卷积神经网络的基本组成部分及其原理。然后，对FPGA及其开发技术进行简单介绍。最后，对当前常用的部分基于FPGA的卷积神经网络加速方法进行概述。
YOLO系列之YOLO-Lite：实时运行在CPU上的目标检测算法
hllyzms的博客
08-20 1197
yolo-lite带来的启示是“删繁就简”，如果不是为了刷榜(COCO)，而是在实际项目中，这种“就简”的思维用处很大。首先，COCO数据集是检测80分类，然而我们实际项目中往往用不到这么多类别的检测。直接用人家在COCO数据集上训练出来的模型，其实有很多冗余。对于简单的项目，丢简单的模型，反而不容易造成过拟合。BN层可能对小模型的帮助并没有那么大，如果在小任务如单目标检测上，可以考虑去掉BN层。
tf-faster-rcnn[cpu]实现目标检测（一）项目环境配置
King_key的博客
12-03 1872
tf-faster-rcnn[cpu]实现目标检测（一）项目环境配置 下载项目 git clone https://github.com/endernewton/tf-faster-rcnn.git 编译,配置相应的运行环境 安装Cpython (这里相应的模块需要根据个人平时的使用下载，有很多的本人电脑已经存在，便没有一一列举出来) shell sudo apt-get insta...
利用英特尔OneAPI工具实现实时目标检测算法
Ultratempest的博客
06-07 279
实时目标检测是计算机视觉领域的一项关键任务，要求在实时性要求下，快速且准确地检测图像或视频中的目标物体。本文将介绍如何利用英特尔OneAPI工具，实现一种高性能的实时目标检测算法，以提高检测速度和准确性。英特尔OneAPI是一套开发工具和框架，旨在帮助开发人员利用多种硬件架构的计算能力。
Yolo-tiny之口罩快速检测识别
爆炒小肥牛
02-27 3022
Yolov3_tiny之口罩快速检测数据集获取配置修改训练模型检测结果 因为需要配置一个轻量化框架，原来使用的yolov3跑起来在10帧左右，运行不是很流畅，今天又重新配置了一下yolov3-tiny版，运行检测帧在20左右，效果不错，也把近期比较热的口罩检测实战一了下，效果还可以。 先看结果和帧数： 数据集获取 数据集大约在500个，通过下载的小视频，然后写了几行代码截帧完成的，完成后放进JP...
目标检测YOLO实战应用案例100讲-基于深度学习的遥感目标检测算法FPGA部署实现研究
qq_36130719的博客
06-19 2823
目标检测网络是计算机视觉领域的一个重要研究方向，目前在研究和使用的目标检测网络都是基于深度学习的深度神经网络。基于深度学习的目标检测网络算法大致可以分为两大类，一类是单阶段目标检测网络，一类是二阶段目标检测网络。二阶段目标检测网络如RCNN需要生成多个候选区域在进行目标的分类和定位，运行的速度较慢，而单阶段目标检测网络则不需要通过候选区域直接生成目标的分类和定位信息，所以速度较快，本文也选择了基于YOLO系列算法的YOLOX作为基础模型。
目标检测YOLO实战应用案例100讲-基于FPGA的目标检测硬件加速技术及其应用研究(中)
最新发布
qq_36130719的博客
04-29 459
数据预处理主要包括数据增强和基础变换，输入图像经过良好的预处理，可以大幅提 升模型的泛化能力和性能。定点量化，同时也使用了大量的硬件资源，导致其功耗极高，虽然其能效比优于本设计，但其总体功耗并不适用于低功耗的场景；由于YOLO v2网络首层的输入特征图尺寸为，而从DRAM中读取的输入图像尺寸不一定符合该大小，因此需要对输入的RGB图像的尺寸进。到更高的速度，减少模型过拟合的发生。这种结构可以使模型达。硬件实现中，我们将完成这样的一组乘累加运算的单元，称为一个处理单元（process element，
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...
YOLOv5-Lite 详解教程 | 嚼碎所有原理、训练自己数据集、TensorRT部署落地应有尽有...
idol24的博客
03-10 4226
YOLOv5 Lite在YOLOv5的基础上进行一系列消融实验，使其更轻（Flops更小，内存占用更低，参数更少），更快（加入shuffle channel，yolov5 head进行通道...
YOLOV5-LITE实时目标检测（onnxruntime部署+opencv获取摄像头+NCNN部署）python版本和C++版本
weixin_51639169的博客
09-11 7651
使用yolov5-lite自带的export.py导出onnx格式，图像大小设置320，batch 1之后可以使用 onnxsim对模型进一步简化。
基于树莓派4B的YOLOv5-Lite目标检测的移植与部署（含训练教程）
热门推荐
black_sneak的博客
06-27 4万+
基于树莓派4B的YOLOv5-Lite目标检测的移植与部署（含训练教程），手把手教学级别，博客全篇代码开源！！！
轻量级模型YOLOv5-Lite基于自己的数据集【焊接质量检测】从零构建模型超详细教程
Together_CZ的博客
08-12 4365
YOLO系列是目标检测任务中非常非常出色的模型，在v3-v5的演变过程中，不断地吸收集成融合各种好的tricks，模型的性能也得到了很大的提升。在YOLOv5时期一度达到了鼎盛的阶段，v5本身也有：n、s、m、l和x这么多的分支，在不同的业务场景里面需要选择对应的模型，v5模型性能本身已经是非常出色的了，但是在一些边缘端算力较弱的设备上面还是难以满足实时计算的需求的。............
yolov5在线检测目标检测网页实时识别python目标检测flask
babyai996的博客
04-02 3680
yolov5在线检测目标检测网页实时识别python目标检测flask yolov5在线检测目标检测网页实时识别python目标检测flask_哔哩哔哩_bilibili
YOLOv5-Lite：更轻更快易于部署的YOLOv5
chenxiangrong的博客
08-19 1万+
本文版权属于GiantPandaCV，未经允许请勿转载 前言： 毕设的一部分，前段时间，在yolov5上进行一系列的消融实验，让他更轻（Flops更小，内存占用更低，参数更少），更快（加入shuffle channel，yolov5 head进行通道裁剪，在320的input_size至少能在树莓派4B上一秒推理10帧），更易部署（摘除Focus层和四次slice操作，让模型量化精度下降在可接受范围内）。 一、消融实验结果比对 ID Model Input_size Flops Params Si.
[CPU+目标检测] openvino实现Robomaster自瞄
行走
06-18 5979
这篇文章为大连理工大学Robomaster凌Bug战队的李乐恒同学成果！ 他在CPU上利用openvino这样的深度学习算法实现了Robomaster的自瞄，大大提高了robomaster自瞄的上界，且达到了良好的检测效果。所有代码全部开源， github主页如下：https://github.com/Len-Li/openvino-robomaster 文章目录0．introduction1.1 使用的模型库1.2 数据集1.3 训练+评测1.3.1 安装TensorFlow Object Detec
目标检测之Faster R-CNN ---- TensorFlow（CPU）
qq_37172182的博客
08-26 1216
论文地址：Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks 项目地址：Faster_R-CNN_TensorFlow 硬件平台： Ubuntu 18.04（VMware） Python 3.6 TensorFlow 1.x 原始代码链接：tf-faster-rcnn 参数修改过...
YOLO-MS: 实时多尺度目标检测的革新策略
YOLO-MS中文版论文探讨了一种新的多尺度代表学习策略，旨在提升实时目标检测器的性能。论文的标题表明了其创新点，即通过"Rethinking Multi-Scale Representation Learning"来优化YOLO（You Only Look Once）框架，...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值