- 博客(23)
- 收藏
- 关注
RSS订阅原创 yolov8 模型架构轻量化 | 极致提速度
当想要提升模型在通用计算平台上的FPS（每秒帧数或帧率）时，可以从模型架构的三个关键角度出发进行优化：模型的参数数量、浮点数运算的复杂度以及模型架构的简洁性。1. 模型的参数是否足够少参数数量是影响模型推理速度的重要因素之一。参数越少的模型，其计算量和内存占用通常也越小，因此推理速度更快。优化策略模型剪枝：通过移除模型中不重要的参数（如权重较小的连接）来减少参数数量。知识蒸馏：使用一个更大的教师模型来指导一个小模型的训练，使得小模型能够学习到教师模型的性能，同时保持较小的参数规模。选择轻量级模型。
2024-05-16 14:50:28
1291
原创 yolov8 模型架构轻量化 | 极致降参数量
模型轻量化加速是深度学习领域的重要研究方向，旨在减小模型的体积和计算复杂度，从而提高在资源受限设备上的运行效率，模型参数量在轻量化加速中扮演着至关重要的角色。首先，模型参数量直接决定了模型的复杂度和存储空间需求。随着深度学习技术的不断发展，模型参数数量急剧增加，导致模型体积庞大，给存储和传输带来了巨大挑战。通过减少模型参数量，可以有效降低模型的体积，从而减小存储空间需求，使模型更容易在嵌入式设备和移动设备上部署。其次，模型参数量对计算资源的需求有显著影响。
2024-05-15 17:34:57
1287
原创 一、音视频小白入门|搭建 FFmpeg你自己的直播平台
hello，各位读者好！音视频技术作为当今信息时代的重要组成部分，其应用领域日益广泛，无论是在线教育、视频会议，还是直播娱乐、媒体传播，都离不开音视频技术的支持。然而，对于初学者来说，音视频技术的入门门槛相对较高，需要掌握的知识点多且复杂。为了解决这一问题，本专栏应运而生。我们将以系统性的方式，带领初学者逐步掌握音视频技术的要点知识，帮助大家对该行业有一个整体性的把握。通过本专栏的学习，你将不再是一个音视频领域的“小白”，而能够逐步成长为一个具备专业技能的音视频从业者。系统的知识体系。
2024-04-25 13:15:36
1900
6
原创 九. ffmpegnginx_1.7_面试题
1 到 10，原来是 3 个 3 个传，如 123、456、789 各传一次，那么现在可以改变传输策略，采用 147、280 和 369 的传输策略，这样一组数据丢掉，实际丢失在流媒体中间穿插的数据，播放程序可以在几乎不失真的状态下把视频恢复出来。播放器接入服务器请求数据的时间点的视频不一定是关键帧，那么需要等到下一个关键帧的到来，如果关键帧的周期是 2s 的话，那么等待的时间可能会在 0~2s 的范围内，这段等待的时间会影响首屏的加载时间。所谓前向纠错，其实是数据冗余，是解决丢包问题的主要方案之一。
2024-04-25 12:36:20
136
1
原创 六、Java+FFmpeg，实战直播推流
通过这段代码，实现了通过 Java 调用 FFmpeg 进程来执行音视频转码和推流操作。在主线程中创建一个新线程来执行 FFmpeg 命令，通过输出错误流信息来查看命令执行的结果。通过多线程的方式可以实现异步执行 FFmpeg 命令，避免阻塞主线程。
2024-04-25 12:09:02
357
1
原创 五、搭建 Videojs，实战网络直播
HLS是一个用于网络流媒体传输的协议，由Apple公司开发，特别适用于在网络带宽变化较大的情况下提供流畅的视频播放。这一行引入Video.js的JavaScript库，使得之前定义的视频播放器能够按照Video.js的样式和功能工作。综上所述，这段代码创建了一个基于Video.js的视频播放器，并配置它来播放一个特定的HLS视频流。这一行设置了文档的字符编码为UTF-8，这是一种能够表示各种语言字符的编码方式。这一行定义了HTML文档的开始，并设置了文档的语言为简体中文（这一行标记HTML文档的结束。
2024-04-25 11:49:14
311
3
原创 四、搭建 FFmpeg，实战直播推流
如果你打算使用FFmpeg的库进行二次开发，你需要搭建一个适合的开发环境。希望大家能够充分利用FFmpeg的功能，发挥出它的最大价值。最后，如果你在使用FFmpeg的过程中遇到了问题或困惑，不妨查阅一下官方文档或相关教程，也可以加入一些技术社区和论坛与同行交流学习。这只是FFmpeg命令行功能的一小部分，实际上它支持的功能远不止这些。这常用于直播场景，将摄像头捕捉到的实时视频流推送到服务器上，供其他用户实时观看。这条命令的作用是实时捕获内置摄像头的视频，使用 x264 编码器进行编码，并尽可能快地（通过。
2024-04-25 10:56:31
917
1
原创 三、搭建 VLC，实战点播功能
VLC 是一款自由、开源的跨平台多媒体播放器及框架，可播放大多数多媒体文件，以及。VLC 支持以下操作系统，下载的时候请选择你的系统。它支持众多音频与视频解码器及文件格式，并支持。第四步、串流处选择 RTSP。程序库使其有播放多媒体文件及加密。支持多种常见音视频格式，支持多种。，把视频流发送到网络上。使用，功能十分强大。
2024-04-24 15:57:28
496
原创 二. 搭建Nginx 直播流程服务器
服务器由 NGINX+RTMP 构成。 NGINX 是 HTTP 服务器，RTMP 是附加模块。其中 NGINX 我选择的是用源码编译方式进行安装，因为这种方式可以自定义安装指定的模块以及最新版本。在我们准备好系统环境之后，我们就需要开始安装 Nginx 了，安装 Nginx 我们需要先把他的依赖给安装，然后下载相关的源码进行编译，最后执行编译安装
2024-04-24 15:24:20
1087
原创 yolov8（目标检测、图像分割、关键点检测）知识蒸馏：logit和feature-based蒸馏方法的实现
支持yolov8检测、分割、关键点任务的知识蒸馏，并对蒸馏代码进行详解，比较容易上手。蒸馏方式多种，支持logit和feature-based蒸馏以及在线蒸馏。
2024-04-15 15:16:32
2539
9
原创 Mamba-YoloV8：基于Mamba架构的yolov8目标检测模型
本文首次提出了 mamba-Yolov8，这是一种将Mamba结合到Yolov8架构中的方法，旨在展示其在目标检测任务中的潜力。通过结合Mamba的优势，mamba-Yolov8旨在改善长距离信息捕获和全局建模能力，以提高目标检测任务的性能和效果。这种结合可能有助于克服传统CNN和Transformer在某些任务中的局限性，为目标检测等任务带来新的发展和进步。
2024-04-11 15:57:56
3953
21
原创 YOLOv8 | 小目标检测中激活更多有效像素助力任务显著涨点—HAB
发现：通过HAT，在图像超分辨率任务中，能够激活更多像素进行重建，在图中几乎可以映射整个图像，并且能够恢复正确和清晰的纹理。这对我们们在处理小目标任务时，有所启发，相比于大目标检测，小目标之所以难以检测或者有较好的检测效果是因为，其输入特征少，有效利用到的输入像素不够。该方法将通道注意力和基于窗口的自注意力机制相结合，充分利用它们在利用全局统计信息和强大的局部拟合能力方面的互补优势。此外，作者还引入了一个重叠的交叉注意力模块，用于增强相邻窗口特征之间的交互作用，以更好地聚合跨窗口信息。
2024-01-16 17:26:19
1398
1
原创 YOLOv8模型改进、剪枝、蒸馏和Web端界面的直观展示
模型蒸馏与性能提升 为了进一步优化YOLOv8模型，可以使用蒸馏技术将大型模型的知识转移到小型模型中。在模型蒸馏过程中，通过定义适当的损失函数和训练策略，学生网络可以学习教师网络的知识，并达到接近教师网络性能的效果。这样做不仅可以减少模型的存储和计算开销，还可以提高模型的推理速度和实时应用的响应能力。这样，用户可以直观地观察到模型的性能和应用的效果。为了优化YOLOv8模型并实现直观地观看检测效果或训练结果的全家通应用，本文将探讨如何通过改进、剪枝和蒸馏技术，并结合Web端界面来提升模型性能。
2023-12-28 11:56:49
1505
1
原创 目标检测Web交互式界面（不限检测模型）|yolv8、yolov5...系列
在做学术汇报或者面试过程中，自己实现了一个好的算法功能，然后希望能够进行展示，让人更贴切的了解你的算法功能与检测效果，从而获得一个好的报告效果或者工作机会。很显然，Web 应用是实现这个需求的一个很好的途径。但是想要实现一个低代码、美观程度尚可、拥有缓存机制的前端应用往往都需要不少的时间。如何在较短时间（一个小时内）快速实现一个满足上述要求的 Web 应用呢？Python 中的streamlit和gradio。
2023-12-25 21:52:21
769
原创 yolov8 端到端模型部署
模型部署时会涉及到非极大值抑制、尺度的变换、不仅带来部署上的不便，更是会影响到检测的速度，因此本文带来一种基于yolov8模型端到端部署的解决方案，即通过将NMS操作与模型的输出进行合并，并导出为onnx。使得最终模型的输出就是最终的目标，勿需进行繁杂的后处理，同时由于onnx的加速，使得推理速度进一步得到提高。并将实现的技术源码进行开源。
2023-12-12 16:21:29
627
原创 Pytorch | 两种模型的保存与加载之间的区别及联系
总而言之，无论是保存和加载整个模型还是保存和加载模型参数，都需要确保模型的定义与保存时的一致，并尽可能在相同的设备上加载模型，以保证模型的正确性和可用性。无论是那两种方式都必须在加载之前定义模型，这句话是正确的，之所以出现我们写代码时，有时未在之前定义模型也能正确加载进来是因为，加载代码所在的位置，或者说路径与保存时的路径一致，模型保存时会将路径也保存进去，并在加载时自动搜索该路径找到模型进行定义。请注意，在加载模型或模型参数之前，需要确保模型的定义已经存在，并且与保存时的模型结构相匹配。
2023-12-08 11:34:26
365
原创 yolov8模型稀疏化剪枝
注意：第一次剪枝训练的时候是没有这个一步修改的，但是第二次在增加剪枝代码也就是在做第一步操作的时候，需要将这一步的修改代码方向操作。# 剪枝后再训练时把下面两行注释掉，增加：self.trainer.model = self.model.train()# # 新增==============================# # 新增==============================# ========== 新增 ==========# ========== 新增 ==========
2023-12-07 09:58:15
1156
4
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人