文章目录声明2 工程应用分析2.1 平台/软件介绍和环境搭建2.2 网络训练方式选择2.3 SVP-NNIE前向计算处理过程2.3.1 例程中对YOLOv3网络模型的初始化操作2.3.2 图像的输入2.3.3 NNIE输出数据的内存分布图2.3.4 网络的后级处理2.3.5 性能分析和优化思路3 Caffe框架和网络训练流程3.1 Caffe平台的搭建3.2 Caffe计算框架基础（基于mnis
YOLO系列（v1~v3）的学习及YOLO-Fastest在海思平台的部署（上）YOLO系列（v1~v3）的学习及YOLO-Fastest在海思平台的部署（中）YOLO系列（v1~v3）的学习及YOLO-Fastest在海思平台的部署（下） 文章目录声明4 YOLO-Fastest4.1 工程编译4.1.1 Windows版本（基于Windows 10）4.1.2 Linux版本（基于Kubunt
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
原创
2021-07-11 16:33:22
743阅读
YOLO-Fastest训练自己的数据继续yolo-fastest的学习，上一篇已经基本跑通了yolo-fastest，接下来开始训练，本次代码依旧是：https://github.com/dog-qiuqiu/Yolo-Fastest 吐槽一句，这个代码里面怎么啥都有，感觉好乱啊！刚开始看的时候一脸懵逼，反复确认才明白没下载错代码。 然后作者官方Readme只要简简单单的一两句话介绍训练，估计是
转载
2023-12-10 14:44:43
416阅读
训练1. 数据集准备yolo fastest,darknet yolo3 相同,需要设置 .name, .data train.txt 格式: /home/qiuqiu/Desktop/dataset/train/000001.jpg label.txt 格式: 11 0.344192634561 0.611 0.416430594901 0.2622. anchor聚类结果保存在 anchors
转载
2023-09-20 15:04:56
265阅读
树莓派部署yolo fastest ncnn记录部署环境1.ubuntu18 2.cpencv452 3.cuda10.2 4.pytorch1.8.1 5.树莓派4b前言：第一到五节，均在PC端ubuntu下完成，第六节在树莓派完成。一、编译ncnn1.ncnn环境配置sudo apt-get install -y gfortran
sudo apt-get install -y libprot
转载
2024-08-22 19:51:51
222阅读
：量子位（QbitAI）最轻的YOLO算法出来了！这是个模型非常小、号称...
转载
2021-07-18 14:24:58
759阅读
已开源！YOLO-Fastest：目前最快的YOLO网络！移动端上可达148 FPS
转载
2021-07-13 14:43:29
373阅读
Yolo-Fastest开源代码：https://github.com/dog-qiuqiu/Yolo-Fastest
1前言&背景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使用的检测框架。今天说的这个系列模型，模型非常小、目前最快的YOLO算法——大小只有1.4MB，单核每秒148帧，
转载
2022-11-09 13:29:20
246阅读
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
原创
2022-11-02 14:39:30
1268阅读
最轻的YOLO算法出来了！这是个模型非常小、号称目前最快的YOLO算法——大小只有1.3MB，单核每秒148帧，移动设备上也能轻易部署。而且，这个YOLO-Fastest算法满足所有平台的需要。不论是PyTorch，还是Tensorflow，又或者是Keras和Caffe，可以说是全平台通用。此外，作者还推出了超轻YOLO的“加大版”，同样只需要3.5MB，就能实现比YOLOv3更好的目标检测效果
转载
2022-10-05 19:33:30
443阅读
最轻的YOLO算法出来了！这是个模型非常小、号称目前最快的YOLO算法——大小只有1.3MB，单核每秒148帧，移动设备上也能轻易部署。而且，这个YOLO-Fastest算法满足所有平台...
转载
2021-08-31 15:33:54
2143阅读
作者丨 qiuqiuqiu编辑 | AI约读社Github：https://github.com/dog-qiuqiu/Yolo-Fastest大家好，我是dog-qiuqiu，这篇文章可能不会涉及太多技术算法上的讲解，可能先和大家探讨下关于这个算法的一些定位和应用场景的问题吧。Yolo-Fastest：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
转载
2022-10-13 09:26:18
1982阅读
注意根据特定任务对 anchor 进行修改，方法参考https://github.com/pjreddie/darknet/issues/911 ./darknet detector calc_anchors data/hand.data -num_of_clusters 9 -width 704 -height 576 -showhttps://github.com/AlexeyAB/darkn
前言一、YOLOv11. 网络结构2. 实现方法3. 损失函数4. 缺点二、YOLOv21. 网络结构2. 改进方法3. YOLO90004. 网络训练细节三、YOLOv31. 网络结构2. 改进方法3. 损失函数4. 性能比较 前言从Two Stage到One Stage：Two stage（先选取候选框，再进行回归调整候选框和分类）：RCNN，SPP-Net，Fast-RCNN，Faster
1. YOLO V11.1 YOLO V1的核心思想将整张图作为网络的输入，利用卷积层提取特征，全连接层预测图像位置和类别，做到了仅使用一个卷积神经网络端到端地实现检测物体的目的。1.2 YOLO V1的网络结构YOLO-v1借鉴了GoogleNet，整个网络包括24个卷积层和2个全连接层，其中卷积层用于提取图像特征，全连接层用来预测图像位置和类别。早期，图像分类任务中，网络最后会将卷积输出的特征
一、关于训练自己的YOLOV5-lite我训练的是自己的数据集，一个关于垃圾分类的数据集，最开始是在自己电脑上训练了100轮效果一般，后来又训练了100轮结果仍然一般，最后租了一台服务器训练了500轮，结果发现差不多在300轮左右就收敛了，但是精度非常差，准确率差不多在0.58左右二、关于部署到树莓派我把yolo部署到树莓派的过程可谓非常非常艰辛1、树莓派环境的配置1.1第一问题是我一不小心点了拒
作者丨qiuqiuqiu@知乎 （已授权）编辑丨极市平台导 读 本文将介绍一个针对计算资源紧缺的ARM平台设计的算法——FastestDet。该算法相比于yolo-fastest单核耗时减少了10%，mAP0.5的指标要比yolo-fastestv2提升接近1个点。 1. 测试指标表中耗时是用NCNN测的，测试平台为RK3568 ARM-
转载
2022-11-09 14:00:10
347阅读
从 2015 年的 YOLOV1，2016 年 YOLOV2，2018 年的 YOLOV3，到 2020 年的 YOLOV4、 YOLOV5， 以及最近出现的 YOLOV76 和 YOLOV7 可以说 YOLO 系列见证了深度学习时代目标检测的演化。对于 YOLO 的基础知识以及 YOLOV1 到 YOLOV5 可以去看大白的 YOLO 系列，本文主要对 YOLOV7 的网络结构进行一个梳理，便于
损失函数的定义是在region_layer.c文件中，关于region层使用的参数在cfg文件的最后一个section中定义。首先来看一看region_layer 都定义了那些属性值：layer make_region_layer(int batch, int w, int h, int n, int classes, int coords)
{
layer l = {0};
l.
