Windows Yolo fastest使用测试

最新推荐文章于 2024-05-01 17:29:20 发布

Spgroc

最新推荐文章于 2024-05-01 17:29:20 发布

阅读量699

点赞数

分类专栏： Ubuntu+ROS 文章标签： windows opencv 深度学习

本文链接：https://blog.csdn.net/weixin_42985452/article/details/117044956

版权

Ubuntu+ROS 专栏收录该内容

7 篇文章 0 订阅

订阅专栏

这里已经完成源码的编译
编译中的几点注意：工程路径不能有空格存在，Cmake编译时要选择电脑系统类型（win32 or x64）

源码编译

在这里插入图片描述
如果根据网络上的文章设置为set(OpenCV_DIR “D:/opencv/build”) 就会报错误，需要配置成opencv/build/x64/vc15/lib这个目录。

编译完成后在Yolo-Fastest目录下会有Release文件夹，把里面编译完成的darknet.dll和darknet.exe复制到Yolo-Fastest/build/darknet/x64目录下；
在这里插入图片描述

出现系统错误

在这里插入图片描述

解决

微软运行库合集
测试效果

测试图片

darknet.exe detector test ./data/coco.data ./cfg/yolo-fastest.cfg ./cfg/yolo-fastest.weights ./data/person.jpg

调用摄像头

darknet.exe detector demo ./data/coco.data ./cfg/yolo-fastest.cfg ./cfg/yolo-fastest.weights -c 0

优惠劵

Spgroc

关注关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
打赏
0
评论
Windows Yolo fastest使用测试

调用摄像头darknet.exe detector demo ./data/coco.data ./cfg/yolo-fastest.cfg ./cfg/yolo-fastest.weights -c 0
复制链接

扫一扫

专栏目录

Yolo轻量级网络，超轻算法在各硬件可实现工业级检测效果（附源代码）

gzq0723的博客

08-23

2037

计算机视觉研究院专栏作者：Edison_G目标检测是现在最热门的研究课题，也一直是工业界重点研究的对象，最近几年内，也出现了各种各样的检测框架，所属于YOLO系列是最经典也是目前被大家认可...

yolo-fastest-xl-based-on-opencv-DNN-using-onnx:yolo-fastest-xl基于基于onc的opencv DNN

03-30

yolo-fastest-xl基于基于onc的opencv DNN 设定档 Win10 VS2015 opencv4.5.1 介绍基于opencv4.5.1的DNN模块实现yolo-fastest-xl的前向推理；使用pytorch将模型导出为onnx格式，并使用DNN加载；代码中加入多个详细的注释方便读者理解。致谢参考代码

参与评论您还未登录，请先登录后发表或查看评论

window版本YOLO-Fastest从Darknet源码编译、测试

荪荪的博客

09-16

1563

摘要此darknet版本包含yolov2,yolov4,yolo-fastest,后续添加其他一、准备工作环境：window10，cuda10.0. cudnn7.6, cmake.opencv3.4.0(opencv4.4.0也是一样的) 源码：二、安装 1、模型编译、测试和训练 1.1、draknet编译 1）打开cmake，选择Yolo-Fastest文件夹为source code路径，Yolo-Fastest文件夹为目标文件夹；然后点击configure，再选择opencv.exe解压缩后的

YOLO-Fastest 编译、测试

OrangeOne1的博客

10-20

2419

YOLO-Fastest 编译、测试工具：win10、visual studio2019、CMake、opencv4.4、nvidia显卡驱动、CUDA、cuDNN 下面操作在上面软件都已安装完成的条件下。 1、下载YOLO-Fastest git clone https://github.com/dog-qiuqiu/Yolo-Fastest 或者直接去https://github.com/dog-qiuqiu/Yolo-Fastest下载。 2、打开cmake，选择Yolo-Fastest文件夹为

Yolo-Fastest:Yolo通用目标检测模型与EfficientNet-lite结合使用，计算量仅为230Mflops（0.23Bflops），模型大小为1.3MB

03-17

:high_voltage: Yolo-Fastest :high_voltage: 简单，快速，紧凑，易于移植适用于所有平台的实时目标检测算法基于yolo的最快和最小的已知通用目标检测算法针对ARM移动终端的优化设计，经过优化以支持推理框架基于RK3399，Raspberry Pi 4b ...和其他嵌入式设备上部署的NCNN，可实现完整的实时30fps + 速度比快45％，参数量减少了56％ 2021.3.16：修复分组卷积在某些旧架构GPU推理耗时异常的问题中文介绍 2021.9.12：更新NCNN相机演示参见AlexeyAB / darknet，此版本的darknet修复分组卷积在某些旧架构GPU推理耗时异常的问题（例如1050ti：40ms-> 4ms速度提升10倍），强烈建议使用此仓库框架训练模型与AlexeyAB / darknet相比，此版本的Darknet解决了一些旧架构GPU中分组卷积异常耗时的推

YOLO-Lite测试报告1

08-08

YOLO-Lite测试报告1

使用 YOLO 对牛栏编号进行分类

04-11

该数据集包括 1042 张训练图像和 261 张测试图像，摊位数范围为 0 到 60。为了增强数据集，我们对YOLO模型进行了微调，并应用了数据增强技术，包括随机裁剪、中心裁剪和随机旋转。实验结果表明，识别失速数的准确率...

编译好的windows yolo-mark

06-15

编译好的windows yolo-mark

适用于Yolo训练和测试的coco数据集标签文件 train2017.txt和val2017.txt

05-06

适用于Yolo训练和测试的coco数据集标签文件 train2017.txt和val2017.txt和train2017.zip和val2017.zip yolov7 yolov5 yolov8

YOLO-Fastest:YOLO_最快通过pytorch实现

04-19

YOLO最快通过pytorch实现的YOLO_Fastest尚未完成！

Yolo-Fastest:基于yolo的超轻量级通用目标检测算法，计算量仅为250mflops，ncnn模型大小仅为666kb，Raspberry Pi 3b的运行速度可高达15fps +，移动终端的运行速度可高达178fps +

05-11

2021.3.21: 对模型结构进行细微调整优化，更新Yolo-Fastest-1.1模型 2021.3.19: NCNN Camera Demo 2021.3.16: 修复分组卷积在某些旧架构GPU推理耗时异常的问题 :high_voltage:Yolo-Fastest:high_voltage: Simple, fast, compact, easy to transplant A real-time target detection algorithm for all platforms The fastest and smallest known universal target detection algorithm based on yolo Optimized design for ARM mobile terminal, optimized to support reasoning framework Based on N

用opencv的dnn模块实现Yolo-Fastest的目标检测.zip

11-02

python opencv yolov3 目标检测，用opencv的dnn模块实现Yolo-Fastest的目标检测。用opencv的dnn模块实现Yolo-Fastest的目标检测。用opencv的dnn模块实现Yolo-Fastest的目标检测。

fastest:以最快的方式自动化您的软件测试！-开源

04-25

最快代表“快速自动化软件测试”。 *这是各种开放源代码工具的汇编，并辅以一组有用的程序，这些程序可以帮助软件测试工程师轻松地执行测试自动化。 *可以将其设想为每个测试工程师都需要的工具包！ *当前以Java实现*测试自动化不仅仅是关于用特定的编程语言编写测试用例。为了使测试自动化真正变为自动化，还需要完成许多活动。 *最快可帮助自动化所有必要但困难的测试自动化任务，例如“用测试计划文档映射测试用例执行，更新集中的测试管理数据库，报告，在持续集成（CI）环境中设置自动夜间回归，运行代码/命令在远程主机上，与Web服务交互，使用Selenium的基于浏览器的自动化，SSH访问，发送电子邮件通知

Yolo-FastestV2：更快更轻

CSS360的博客

08-17

3105

（说明：如果您认为下面的文章对您有帮助，请您花费一秒时间点击一下最底部的广告以此来激励本人创作，谢谢）基于Yolo改进的轻量级目标检测算法，参数仅为250k，智能手机可以达到300fps。Yolo Fastest专注于单核、实时推理性能和实时条件下的低CPU使用率。它不仅可以在手机上实现实时性能，还可以在RK3399、树莓派Pi 4和各种Cortex-A53上实现，同时保持低成本。功耗设备满足某些...

0022-opencv调用yolo-Fastest模型

左手coding，右手cooking

01-20

321

1. 原作者地址主体代码 import cv2 as cv import argparse import numpy as np # Initialize the parameters confThreshold = 0.25 # Confidence threshold nmsThreshold = 0.4 # Non-maximum suppression threshold inpWidth = 320 # Width of network's input image inpHeight =

使用c++类模板和迭代器进行List模拟实现

2301_79181624的博客

04-28

1250

对迭代器封装使得用户在使用时，不用过多的繁琐操作，仅需使用一个迭代器就好，在内部typedef使得iterator有更强的适配性。这里重载的符号为->返回的节点val值的地址，按理在调用时it->为地址，则需要。这里创建一个clear函数配合erase将节点统统释放，最后释放掉哨兵位头节点。两个版本的迭代器，自主挑选，由于前方处理过细节所以这里函数类型就不会冗余。如节点为A类型的结构体，想通过迭代器访问_a,_b，有两种方法。这里相当于对指针解引用，拿到节点，对节点直接访问。让头节点的前后指针指向自己。

【16-Ⅰ】Head First Java 学习笔记

“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