文章目录
- 一、前言
- 二、模型
- 2.1 yolov5模型
- 2.2 yolov6模型
- 2.3 yolov7模型
- 2.4 yolov8模型
- 2.5 yolox模型
- 2.6 yolov5_seg模型
- 2.7 yolov8_seg模型
- 2.8 ppseg模型
- 2.9 RetinaFace 模型
- 2.10 PPOCR模型
- 2.11 LPRNet 模型
- 2.12 lite_transformer模型
- 2.13 ppyoloe模型
- 2.14 deeplabv3模型
- 三、模型使用频率
- 四、分类
一、前言
在正点原子给的官方文档里面，有很多测试模型，但是都不知道这些模型到底是干什么的，接下来将对这些模型进行介绍。
看了下，里面的调用命令，嗯，千篇一律。
所以下面主要是进行介绍，并且把代码拿出来观摩学习下
二、模型
2.1 yolov5模型
（测试、数模代码理解）
应用场景：实时物体检测，如监控、自动驾驶、无人机等。
特点：轻量、快速、易于训练和部署，支持多种输入大小。
使用频率：非常高，因其性能和易用性。
2.2 yolov6模型
应用场景：类似于YOLOv5，适用于实时物体检测。
特点：优化了网络结构，提升了速度和精度。
使用频率：逐渐上升，特别在实时应用中。
2.3 yolov7模型
应用场景：高精度的实时物体检测。
特点：进一步优化，增加了一些新的特性如不同的特征金字塔。
使用频率：在一些高需求场合中较受欢迎。
2.4 yolov8模型
应用场景：实时物体检测和分割。
特点：引入了新的增强技术，提高了检测性能。
使用频率：高，尤其是在需要高精度的场合。
2.5 yolox模型
应用场景：多任务检测，包括目标检测和分割。
特点：使用了更好的训练策略和数据增强技术。
使用频率：逐渐上升，适用于各类应用。
2.6 yolov5_seg模型
应用场景：物体检测与分割，适用于图像分割任务。
特点：结合了YOLOv5的检测能力与分割功能。
使用频率：高，适用于图像处理领域。
2.7 yolov8_seg模型
应用场景：同YOLOv8，专注于物体检测与分割。
特点：分割精度高，适合细粒度图像分割任务。
使用频率：高，尤其是在分割任务中。
2.8 ppseg模型
应用场景：语义分割，广泛用于医学图像和场景分割。
特点：高效，支持多种分割算法。
使用频率：高，在学术界和工业界均有使用。
2.9 RetinaFace 模型
应用场景：人脸检测与关键点定位。
特点：准确性高，能够处理各种姿态和光照。
使用频率：较高，尤其在安全和人脸识别中。
2.10 PPOCR模型
应用场景：光学字符识别，文档数字化。
特点：处理速度快，精度高。
使用频率：较高，尤其在文档处理领域。
2.11 LPRNet 模型
应用场景：车牌识别。
特点：专门针对车牌设计，准确率高。
使用频率：中等，主要应用于交通监控。
2.12 lite_transformer模型
应用场景：轻量级任务，如移动设备上的应用。
特点：小型化，适合资源有限的设备。
使用频率：逐渐上升。
2.13 ppyoloe模型
应用场景：物体检测，尤其是实时监控。
特点：结合了YOLO和PP的优点。
使用频率：逐渐上升。
2.14 deeplabv3模型
应用场景：图像分割，适用于场景解析。
特点：高精度分割，使用空洞卷积。
使用频率：高，尤其在学术研究中。
三、模型使用频率
先说下，这是我让chatgpt给我出的，这里只是推测，并不是官方数据（从左到右，从上到下）
YOLOv5、YOLOv8、DeepLabV3、RetinaFace
PPOCR、YOLOv7、YOLOX、YOLOv6
PPSeg、LPRNet、YOLOv5_seg、YOLOv8_seg
PPYOLOE、Lite Transformer
最受欢迎的模型：YOLOv5，因其速度快、易用性高，适用于多种任务。
最不受欢迎的模型：Lite Transformer，使用场景较窄，市场需求较少。
四、分类
按应用场景：
物体检测：YOLO系列、RetinaFace、PPYOLOE
语义分割：DeepLabV3、PPSeg、YOLOv8_seg
OCR：PPOCR、LPRNet
轻量级模型：Lite Transformer
按算法特点：
基于YOLO：YOLOv5、YOLOv6、YOLOv7、YOLOv8、YOLOX、YOLOv5_seg、YOLOv8_seg
分割模型：DeepLabV3、PPSeg
特定任务模型：RetinaFace、PPOCR、LPRNet
