yolo树莓派_【你只需看一次】YOLO 全系列目标检测算法

最新推荐文章于 2024-02-22 01:18:27 发布
最新推荐文章于 2024-02-22 01:18:27 发布
阅读量1.3k 收藏 11
点赞数 1
文章标签： yolo树莓派
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/weixin_30957757/article/details/112244805
版权

0086e2df329945839b139db2eebc7f00.png

IFQ-Tinier-YOLO

IFQ-Net: Integrated Fixed-point Quantization Networks for Embedded Vision

作者：Hongxing Gao, Wei Tao, Dongchao Wen, Tse-Wei Chen, Kinya Osa, Masami Kato

单位：Canon Information Technology (Beijing) Co., LTD；Device Technology Development Headquarters, Canon Inc.

论文：https://arxiv.org/abs/1911.08076

引用 | 4

时间：2019年11月19日

该工作一部分基于YOLOv2，设计了IFQ-Tinier-YOLO人脸检测器，它是一个定点网络，比Tiny-YOLO减少了256倍的模型大小（246k Bytes）。

245e87cd197132d3a32941bd2af53365.png

DG-YOLO

WQT and DG-YOLO: towards domain generalization in underwater object detection

作者：Hong Liu, Pinhao Song, Runwei Ding

单位：北大；鹏城实验室

论文：https://arxiv.org/abs/2004.06333

时间：2020年4月14日

该工作旨在研究水下目标检测数据，因为水下目标的数据比较少，提出了新的水质迁移的数据增广方法和YOLO新变种：DG-YOLO ，该算法由 YOLOv3, DIM 和 IRM penalty 组成。

db4d3e69d00392f7e01d7322ef33d438.png

Poly-YOLO

Poly-YOLO: higher speed, more precise detection and instance segmentation for YOLOv3

作者：Petr Hurtik, Vojtech Molek, Jan Hula, Marek Vajgl, Pavel Vlasanek, Tomas Nejezchleba

单位：奥斯特拉发大学；Varroc Lighting Systems

论文：https://arxiv.org/abs/2005.13243

解读：mAP提升40%！YOLO3改进版—— Poly-YOLO：更快，更精确的检测和实例分割

代码：https://gitlab.com/irafm-ai/poly-yolo

时间：2020年5月27日

基于YOLOv3，支持实例分割，检测mAP提升40%！

300230926e450e7bef1820eaa1019aea.png

文章目录

  • 一、概述
  • 二、Yolo系列全家桶
    • YOLOv1 开山鼻祖之作
    • YOLOv2
    • YOLOv3
    • YOLOv4 目标检测tricks集大成者
    • YOLOv5
    • Fast YOLO
    • Complex-YOLO
    • MV-YOLO
    • YOLO3D
    • YOLO-6D
    • YOLO-LITE
    • Spiking-YOLO
    • DC-SPP-YOLO
    • SpeechYOLO
    • Complexer-YOLO
    • SlimYOLOv3
    • REQ-YOLO
    • YOLO Nano
    • xYOLO
    • IFQ-Tinier-YOLO
    • DG-YOLO
    • Poly-YOLO
    • E-YOLO
    • PP-YOLO

一、概述

我对yolo系列好感较高，虽不及其他系列的精度，速度，但是他现在已经精度与速度之中做了trade off ，侧端也友好。本文引自我爱计算机视觉，后续我将对这些算法消融对比，关注公众号（原文底部）敬请期待。

YOLO目标检测算法诞生于2015年6月，从出生的那一天起就是“高精度、高效率、高实用性”目标检测算法的代名词。
在原作者Joseph Redmon博士手中YOLO经历了三代到YOLOv3，今年初Joseph Redmon宣告退出计算机视觉研究界后，YOLOv4、YOLOv5相继而出，且不论谁是正统，这YOLO算法家族在创始人拂袖而出后依然热闹非凡。

本文带领大家细数在此名门之中自带“YOLO”的算法，总计 23 项工作，它们有的使YOLO更快，有的使YOLO更精准，有的扩展到了3D点云、水下目标检测、有的则在FPGA、CPU、树莓派上大显身手，甚至还有的进入了语音处理识别领域。

而几乎所有YOLO系算法都力图保持高精度、高效率、高实用性，这也许就是工业界偏爱YOLO的理由吧！

二、Yolo系列全家桶

YOLOv1 开山鼻祖之作

You Only Look Once: Unified, Real-Time Object Detection

作者：Joseph Redmon, Santosh Divvala, Ross Girshick, Ali Farhadi

单位：华盛顿大学；Allen Institute for AI；FAIR

论文：https://arxiv.org/abs/1506.02640

引用 | 10222

主页：https://pjreddie.com/darknet/yolo/

时间：2015年6月8日

标准版本的YOLO在Titan X 的 GPU 上能达到 45 FPS。更快的 Fast YOLO 检测速度可以达到 155 FPS。

54e390a44e9ef00232bf4894b9609ed2.png

YOLOv2

YOLO9000: Better, Faster, Stronger

作者：Joseph Redmon, Ali Farhadi

单位：华盛顿大学；Allen Institute for AI

论文： https://arxiv.org/abs/1612.08242

引用 | 5168

主页：https://pjreddie.com/darknet/yolo/

时间：2016年12月25日

在 YOLO 基础上，保持原有速度的同时提升精度得到YOLOv2，让预测变得更准确（Better），更快速（Faster）。

通过联合训练策略，可实现9000多种物体的实时检测，总体mAP值为19.7。

0fa3db82789b40aefcd510ddca0af5a8.png

YOLOv3

YOLOv3: An Incremental Improvement
作者：Joseph Redmon, Ali Farhadi
单位：华盛顿大学
论文：https://arxiv.org/abs/1804.02767
引用 | 3363
主页：https://pjreddie.com/darknet/yolo/
Star | 18.3K
时间：2018年4月8日
在320×320 YOLOv3运行22.2ms，28.2 mAP，像SSD一样准确，但速度快三倍。在Titan X上，它在51 ms内实现了57.9的AP50，与RetinaNet在198 ms内的57.5 AP50相当，性能相似但速度快3.8倍。

324425e1cd7d944c2aeddca02b2940ac.png

YOLOv4 目标检测tricks集大成者

YOLOv4: Optimal Speed and Accuracy of Object Detection

作者：Alexey Bochkovskiy；Chien-Yao Wang；Hong-Yuan Mark Liao

单位：(中国台湾)中央研究院

论文：https://arxiv.org/pdf/2004.10934v1.pdf

引用 | 17

代码：https://github.com/AlexeyAB/darknet

Star | 11.9K

时间：2020年4月24

解读：YOLOv4来了！COCO 43.5 AP，65FPS！实现速度与精度的最优平衡

在MS COCO 数据集 实现 43.5% AP (65.7% AP50 )， 速度也更快了，在Tesla V100 GPU上 ∼65 FPS！

feb3079f2779e7e3e2b35dbeb883dc44.png

2fce7b2267827e7393f6a385eb41a45f.png

YOLOv5

2020年6月25日，Ultralytics发布了YOLOV5 的第一个正式版本，号称其性能与YOLO V4不相伯仲，同样也是现今最先进的目标检测技术，并在推理速度上是目前最强。

论文：无

代码：https://github.com/ultralytics/yolov5

Star | 3.5K

解读：一文读懂YOLOv5 与 YOLOv4

04c0c6342391e05b19a6ad03370e9d1a.png

6a7a1b90fb307b34a81e3de407c62de0.png

5ab86a433acfa6d7db9ac5c425a4071b.png

Fast YOLO

Fast YOLO: A Fast You Only Look Once System for Real-time Embedded Object Detection in Video

作者：Mohammad Javad Shafiee, Brendan Chywl, Francis Li, Alexander Wong

单位：滑铁卢大学

论文：https://arxiv.org/abs/1709.05943

引用 | 53

时间：2017年9月18日

b9fe80423db027fe7f6302e93d8db4c4.png

8d3dd9cdbfa15ae67cbe8030b9f22d4e.png

Complex-YOLO

Complex-YOLO: An Euler-Region-Proposal for Real-time 3D Object Detection on Point Clouds

作者：Martin Simon, Stefan Milz, Karl Amende, Horst-Michael Gross

单位：伊尔梅瑙工业大学

论文：https://arxiv.org/abs/1803.06199

引用 | 65

代码：https://github.com/ghimiredhikura/Complex-YOLOv3（非官方）

Star | 95(非官方)

代码：https://github.com/maudzung/Complex-YOLOv4-Pytorch（基于v4）

Star | 442（基于v4）

时间：2018年3月16日

基于YOLOv2的一个变种,用于点云3D目标检测。

b9c977b1af474ece0aea87cae7646f68.png

cb51a757d9c41ad5c160143f39e4dfb8.png

MV-YOLO

MV-YOLO: Motion Vector-aided Tracking by Semantic Object Detection

作者：Saeed Ranjbar Alvar, Ivan V. Bajić

单位：西蒙弗雷泽大学

论文：https://arxiv.org/abs/1805.00107

引用 | 10

时间：2018年4月30日

一种结合压缩视频中的运动信息和YOLO目标检测的目标跟踪算法。

6e2d0106809f522fee958af012b60a76.png

YOLO3D

YOLO3D: End-to-end real-time 3D Oriented Object Bounding Box Detection from LiDAR Point Cloud

作者：Waleed Ali, Sherif Abdelkarim, Mohamed Zahran, Mahmoud Zidan, Ahmad El Sallab

单位：Valeo AI Research, Egypt

论文：https://arxiv.org/abs/1808.02350

引用 | 26

备注：ECCV 2018 Workshop

时间：2018年8月7日

0d602c42cda3ecee3676a5fe4560feea.png

YOLO-6D

这个3D bounding box可以表示一个物体的姿态。那什么是物体的姿态？实际上就是物体在3D空间中的空间位置xyz，以及物体绕x轴，y轴和z轴旋转的角度。换言之，只要知道了物体在3D空间中的这六个自由度，就可以唯一确定物体的姿态。

知道物体的姿态是很重要的。对于人来说，如果我们想要抓取一个物体，那么我们必须知道物体在3D空间中的空间位置xyz，但这个还不够，我们还要知道这个物体的旋转状态。知道了这些我们就可以愉快地抓取了。对于机器人而言也是一样，机械手的抓取动作也是需要物体的姿态的。因此研究物体的姿态有很重要的用途。

Real-Time Seamless Single Shot 6D Object Pose Prediction这篇文章提出了一种使用一张2D图片来预测物体6D姿态的方法。但是，并不是直接预测这个6D姿态，而是通过先预测3D bounding box在2D图像上的投影的1个中心点和8个角点，然后再由这9个点通过PNP算法计算得到6D姿态。我们这里不管怎么由PNP算法得到物体的6D姿态，而只关心怎么预测一个物体的3D bounding box在2D图像上的投影，即9个点的预测。

e051cd288e87811729ef8050c37db8ee.png

YOLO-LITE

YOLO-LITE: A Real-Time Object Detection Algorithm Optimized for Non-GPU Computers

作者：Jonathan Pedoeem, Rachel Huang

单位：佐治亚理工学院等

论文：https://arxiv.org/abs/1811.05588

引用 | 73

代码：https://reu2018dl.github.io/

Star | 336

时间：2018年11月14日

YOLO-LITE 是 YOLOv2-tiny 的Web实现，在 MS COCO 2014 和 PASCAL VOC 2007 + 2012 数据集上训练。在 Dell XPS 13 机器上可达到 21 FPS ,VOC 数据集上达到33.57 mAP。

8e10aec61e8aa92a757a3ad794328ba0.png

Spiking-YOLO

Spiking-YOLO: Spiking Neural Network for Energy-Efficient Object Detection

作者：Seijoon Kim, Seongsik Park, Byunggook Na, Sungroh Yoon

单位：首尔大学

论文：https://arxiv.org/abs/1903.06530

引用 | 3

备注：AAAI 2020

解读：Spiking-YOLO : 前沿！脉冲神经网络在目标检测的首次尝试

时间：2019年3月12日

a097fa26212c55b7780ae4efe1e84bd2.png

220f351d6483846b0b10179e024c0243.png

该文第一次将脉冲神经网络用于目标检测，虽然精度不高，但相比Tiny_YOLO 耗能更少。（研究意义大于实际应用意义）

DC-SPP-YOLO

DC-SPP-YOLO: Dense Connection and Spatial Pyramid Pooling Based YOLO for Object Detection

作者：Zhanchao Huang, Jianlin Wang

单位：北京化工大学

论文：https://arxiv.org/abs/1903.08589

引用 | 8

时间：2019年3月20日

该作提出一种DC-SPP-YOLO(基于YOLO的密集连接和空间金字塔池化技术)的方法来改善YOLOv2的目标检测精度。

91baf1aff934ce24b3b329e98404fbd3.png

9baa0c01db98588cdf7e5cfbb6e68bbc.png

SpeechYOLO

SpeechYOLO: Detection and Localization of Speech Objects

作者：Yael Segal, Tzeviya Sylvia Fuchs, Joseph Keshet

单位：巴伊兰大学

论文：https://arxiv.org/abs/1904.07704

引用 | 2

时间：2019年4月14日

YOLO算法启发的语音处理识别算法。

SpeechYOLO的目标是在输入信号中定位语句的边界，并对其进行正确分类。受YOLO算法在图像中进行目标检测的启发所提出的方法。

28639022a6bd4f8df9d075dc3287a268.png

Complexer-YOLO

Complexer-YOLO: Real-Time 3D Object Detection and Tracking on Semantic Point Clouds

作者：Martin Simon, Karl Amende, Andrea Kraus, Jens Honer, Timo Sämann, Hauke Kaulbersch, Stefan Milz, Horst Michael Gross

单位：伊尔梅瑙工业大学等

论文：https://arxiv.org/abs/1904.07537

引用 | 24

时间：2019年4月16日

Complex-YOLO的改进版，用于实时点云3D目标检测与跟踪，推断速度加速20%，训练时间减少50%。

88de5172d097746a9f01dc90c412d53b.png

7e34ea13f1a98bdce40605ae3495594c.png

SlimYOLOv3

SlimYOLOv3: Narrower, Faster and Better for UAV Real-Time Applications

作者：Pengyi Zhang, Yunxin Zhong, Xiaoqiong Li

单位：北理工

论文：https://arxiv.org/abs/1907.11093

引用 | 18

解读：SlimYOLOv3：更窄、更快、更好的无人机目标检测算法

代码：https://github.com/PengyiZhang/SlimYOLOv3

Star | 953

时间：2019年7月15日

该文对YOLOv3的卷积层通道剪枝，大幅削减了模型的计算量(~90.8% decrease of FLOPs)和参数量( ~92.0% decline of parameter size)，剪枝后的模型在基本保持原模型的检测精度同时，运行速度约为原来的两倍。

0e1982b134d1b11e34f6bfd9c29c7621.png

REQ-YOLO

REQ-YOLO: A Resource-Aware, Efficient Quantization Framework for Object Detection on FPGAs

作者：Caiwen Ding, Shuo Wang, Ning Liu, Kaidi Xu, Yanzhi Wang, Yun Liang

单位：北大；东北大学；鹏城实验室

论文：https://arxiv.org/abs/1909.13396

引用 | 14

时间：2019年9月29日

Tiny-YOLO的 FPGA 实现，REQ-YOLO速度可高达200~300 FPS！

b25c2679df39140fd140a1733c695d73.png

YOLO Nano

YOLO Nano: a Highly Compact You Only Look Once Convolutional Neural Network for Object Detection

作者：Alexander Wong, Mahmoud Famuori, Mohammad Javad Shafiee, Francis Li, Brendan Chwyl, Jonathan Chung

单位：滑铁卢大学；DarwinAI Corp

论文：https://arxiv.org/abs/1910.01271

引用 | 6

时间：2019年10月3日

YOLO Nano 比 Tiny YOLOv2 和 Tiny YOLOv3更小，更快，mAP更高！模型仅4.0MB。在 NVIDIA Jetson Xavier上速度竟高达26.9~48.2 FPS！

66b641be23c9dc72b0b748beb6b18064.png

PP-YOLO

PP-YOLO: An Effective and Efficient Implementation of Object Detector

作者：Xiang Long, Kaipeng Deng, Guanzhong Wang, Yang Zhang, Qingqing Dang, Yuan Gao, Hui Shen, Jianguo Ren, Shumin Han, Errui Ding, Shilei Wen

单位：百度

论文：https://arxiv.org/abs/2007.12099

解读：https://zhuanlan.zhihu.com/p/163565906

代码：https://github.com/PaddlePaddle/PaddleDetection

时间：2020年7月23日

PP-YOLO由在YOLOv3上添加众多tricks“组合式创新”得来，从下图前两列中可看到其使用的技术：

PP-YOLO在精度和效率之间取得更好的平衡，在COCO数据集上达到45.2% mAP，并且速度72.9 FPS！，超越YOLOv4和谷歌EfficientDet，是更加实用的目标检测算法。

e21aa8cfb59d1b23c1147c6c214fffe0.png

d0c0acdb68a7f04037295c4414151945.png

905d6ed7ba8368b2d64d23c86a65fa81.png


引自我爱计算机视觉，后续将对上述yolo算法实践或优化，敬请关注博主，以及公众号：

880de375e984e7bec1ddaca591fe3f01.png


Yolo系列确实优化改进特别多，可能正是由于热爱吧！

weixin_30957757
关注
  • 1
    点赞
  • 踩
  • 11
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
目标检测算法之Yolo系列
01-27
本文来自weixin，本文介绍了R-CNN 基本结构和原理，YOLO的基本原理，推理过程，计算loss以及具体实用过程等。目标检测算法是计算机视觉三大基础任务之一，其包括目标定位和目标分类两部分。在yolo系列出来之前，主流的做法是分段式的R-CNN系列，主要包括R-CNN、Fast R-CNN、FasterR-CNN、MaskR-CNN等。R-CNN的基本结构如下图所示：
基于树莓派与YOLOv3模型的人体目标检测小车（四）
12-21
前面几篇文章完成了训练端和部署端的环境搭建以及模型的训练，并经过两次模型转化最终将YOLOv3 TINY模型部署在了树莓派上。其实最核心的内容已经完成了，接下来就是一些应用层面的东西了。 树莓派控制马达： 1. 材料硬件： 1.树莓派3B+ 2.四个直流电机 3.一个小车底盘+四个车轮（某宝上有卖） V0L3UwMTA5NjgzNTA=,size_16,color_FFFFFF,t_70#pic_center) 4.L298N驱动模块（介于树莓派与马达之间的桥梁） 5.充电宝一个（用于给树莓派供电） 6.18650锂电池两节（给小车马达供电，普通干电池真的不能用，不然你会拥有好多废电池）
树莓派从零开始到部署计算机视觉项目（yolov8项目）第一集
m0_62174436的博客
02-22 2942
本人使用的是树莓派4b，但不同版本树莓派之间差异不大，本文侧重易踩坑点和主要步骤，重点在树莓派的部署，包括opencv的安装，pytorch的安装，yolo的配置等
Yolov5移植树莓派实现目标检测
weixin_63866037的博客
12-24 8426
Hallo，大家好啊！之前写了几篇Yolov5相关项目的博客，然后学习了树莓派之后，更新了几篇树莓派的博客，我的最终目的是将Yolov5移植到树莓派，通过树莓派上面的摄像头实现目标检测。你想啊，在工厂里面，你不可能用笔记本电脑作为上位机给下位机传达指令，所以树莓派作为一个小型pc，有着独天独厚的优势。接下来，以项目为驱动，介绍一下整个流程，包括Yolov5数据集获取、模型的训练、识别效果、树莓派环境的搭建、移植树莓派、模型在树莓派上的检测效果！
树莓派部署yolov 5目标检测的过程
m0_46410698的博客
09-20 5511
工具： 树莓派 * 1 CSI摄像头 * 1 树莓派上部署yolov5需要注意的是需要提前安装好pytorch， 上面是我安装的版本，如果觉得从Github下载慢，可以先从百度网盘(提取码：4266 )下载，在传到树莓派中。再利用下面两条语句进行安装，可能在安装过程中会有一些报错大家耐心地把那些依赖安装好。 pip3 install torch-1.7.0a0-cp37-cp37m-linux_armv7l.whl pip3 install torchvision-0.8.0a0+45f960c-cp37-
在树莓派上轻松实现深度学习目标检测
IT派
11-07 6386
这个现实世界造成了很多挑战，比如数据有限、只有微型的计算机硬件（像手机、树莓派）所造成的无法运行复杂深度学习模型等。这篇文章演示了如何使用树莓派来进行目标检测。就像路上行...
基于树莓派与YOLOv3模型的人体目标检测小车（二）
u010968350的博客
03-21 1513
上篇文章介绍了如何搭建深度学习环境，在Ubuntu18.04TLS上搭建起了 CUDA：9.0+cuDNN7.0+tensorflow-gpu 1.9 的训练环境。本篇文章将介绍如何制作自己的数据集，并训练模型。 本文训练数据集包括从VOC数据集中提取出6095张人体图片，以及使用LabelImg工具标注的200张python爬虫程序获取的人体图片作为补充。 一、爬取人体图片并标记 # codin...
YOLO系列算法旋翼无人机目标检测 YOLO无人机检测数据集-drone-part1.zip
04-17
1、YOLO系列算法旋翼无人机目标检测，数据集，都已经标注好，标签格式为VOC和YOLO两种格式，可以直接使用，共量部分，由于数量量太大，分为两部分，这里是第一部分 2、part1数量：5000多张 3、classes: drone 4、有...
YOLO_tensorflow-master.zip_CNN预测_yolo目标检测_图片检测_目标检测 CNN_目标检测yolo
07-14
Yolo算法采用一个单独的CNN模型实现end-to-end的目标检测，整个系统如图5所示：首先将输入图片resize到448x448，然后送入CNN网络，最后处理网络预测结果得到检测的目标。相比R-CNN算法，其是一个统一的框架，其速度...
YOLO_v1目标检测算法深入理解
01-20
 目标检测算法融入于日常生活中，R-CNN系列算法是two-stage类型的算法，也就是将1)候选区；2)分类器、回归器；相互结合达到目标检测的目的，但是Faster R-CNN将候选区的选取融入到了Fast R-CNN神经网
树莓派cpu检测_基于树莓派与YOLOv3模型的人体目标检测小车（二）
weixin_35249119的博客
12-31 325
上篇文章介绍了如何搭建深度学习环境，在Ubuntu18.04TLS上搭建起了 CUDA：9.0+cuDNN7.0+tensorflow-gpu 1.9 的训练环境。本篇文章将介绍如何制作自己的数据集，并训练模型。本文训练数据集包括从VOC数据集中提取出6095张人体图片，以及使用LabelImg工具标注的200张python爬虫程序获取的人体图片作为补充。一、爬取人体图片并标记# coding=u...
树莓派4B部署YOLOv5n[YOLOv5 PyQt5 ONNX]
weixin_41648964的博客
04-28 4611
简单Demo：利用pyqt设计yolov5目标检测GUI界面，使用ONNX框架部署在树莓派4B上运行。
树莓派模型部署----yolo
lt3037865756的博客
11-26 624
​本文为大家讲解的是树莓派的模型部署----yolo！
树莓派配置YOLOv7
m0_60833277的博客
12-01 2791
新手（指笔者）配置树莓派yolov7的记录
用树莓派4b构建深度学习应用（九）Yolo篇
深度觉醒
10-10 9545
前言上一篇我们在树莓派上安装了OpenVINO的环境，并跑了几个官方demo，作为关键点的模型转换工作，以各个版本的yolo实现为例，在这篇做一下实现。目标检测是人工智能应用比较成熟的领...
目标检测：树莓派运行YOLOv5，成功运行，附完整镜像源
在知识与无知里反复横跳。
04-04 2万+
树莓派：目标检测一、前言YOLOv5镜像： 一、前言 之前一直打算在树莓派上跑目标检测，但自己弄环境总是出现问题，一直没弄成功。 前几天看到一位大佬做成了一个用于深度学习的镜像，里面已经装好了关于深度学习的环境配置了。 我安装好后很快就搭建好YOLOv5，并且运行成功。只是帧率很慢，三秒多一帧，完成运用不到工程项目里面，不过有其他的方法可以让帧率快一点，现在先分享YOLOv5的搭建。 YOLOv5镜像： 百度网盘下载链接 ...
在树莓派4B上使用YOLO v3 Tiny进行实时目标检测
热门推荐
weixin_43878078的博客
01-08 2万+
首先尝试使用yolo官网yolo给的教程，在树莓派上测试，但是在运行时出现段错误，尝试很多方法无法解决。在国外的网站找到darknet-nnpack这个东西，可以完美的在树莓派上运行。 参考的文章 darknet-nnpack https://github.com/zxzhaixiang/darknet-nnpack Fun of DIY http://funofdiy.blogspot.c...
基于树莓派4B的YOLOv5-Lite目标检测的移植与部署（含训练教程）
black_sneak的博客
06-27 2万+
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！！！
【树莓派入门】从零开始在树莓派上运行YOLOV5项目实战教程
qq_44595223的博客
04-01 1万+
基于树莓派与YOLOV5的目标检测系统项目简介教程简介项目进度资料下载致谢 项目简介 本项目实现的是在树莓派3B+的环境下运行 yolov5 训练之后的模型，以达成图像识别的目的 树莓派板子： 3B+ 树莓派系统： 2022-01-28-raspios-bullseye-arm64.img opencv： opencv_python-4.5.5.64-cp36-abi3- manylinux_2_17_aarch64.manylinux2014_aarch64 torch: torch-1.8.1-cp39
YOLO系列目标检测算法
最新发布
04-29
YOLO（You Only Look Once）是一系列的目标检测算法，它的主要特点是实时性和准确性。YOLO算法将目标检测问题转化为一个回归问题，通过一个单一的神经网络同时预测目标的类别和边界框。 YOLO系列目标检测算法的主要...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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