此YOLO V4 Tiny改进在保证精度的同时帧率可以达到294FPS!具有比YOLOv4-tiny(270 FPS)和YOLOv3-tiny更快的目标检测速度(277 FPS),并且其平均精度的平均值与YOLOv4-tiny几乎相同;作者单位:东北电力大学, 北华大学 1、方法简介 为了提高目标检测的实时性,本文提出了一种基于YOLOv4-tiny的快速目标检测方法。它首先使...
米尔的 ZU3EG 开发板凭借其可重构架构为 AI 和计算密集型任务提供了支持，同时避免了 7nm 工艺对国产芯片设计的制约。通过在 ZU3EG 上部署 Tiny YOLO V4，我们可以为智能家居、智慧城市等 AIoT 应用提供高效的解决方案。CPU GPU FPGA 架构对比 二、 了解 Tiny YOLO 模型及其适用性 YOLO（You Only Look Once...
YOLOv4-tiny结构是YOLOv4的精简版,属于轻量化模型,参数只有600万相当于原来的十分之一,这使得检测速度提升很大。整体网络结构共有38层,使用了三个残差单元,激活函数使用了LeakyReLU,目标的分类与回归改为使用两个特征层,合并有效特征层时使用了特征金字塔(FPN)网络。其同样使用了CSPnet结构,并对特征提取网络进行通道...
本项目旨在开发一个高效的垃圾分类识别系统,利用深度学习技术特别是YOLOv4-tiny版本来实现垃圾的自动分类。YOLOv4-tiny作为YOLOv4的一个轻量化版本,在保证较高精度的同时,能够提供更快的检测速度,非常适合资源受限的设备或者要求实时性的应用场景。 技术栈 深度学习框架:PyTorch 目标检测算法:YOLOv4-tiny 编程语言:Pyth...
YOLOV4-tiny网络介绍 YOLOv4-tiny是YOLOv4的一个更为精简的版本，作为一种轻量化模型，其参数数量大幅减少至仅600万，约为原版本的十分之一，从而显著提高了检测速度。该模型的网络架构包含38层，并整合了三个残差单元。在激活函数方面，选择了LeakyReLU。同时，为了优化目标的分类与回归，该模型采用了两个特征层...
最后,作者在不同的嵌入式GPU上测试了YOLOv4-tiny的性能,见下图。可以看到:无论哪种硬件平台下,YOLOv4-tiny均可以达到实时性。经过TensorRT FP16优化后的YOLOv40tiny最高可以达到1774fps的推理速度。 YOLO系列相关文章 1. YOLOv1: https://arxiv.org/abs/1506.026402. YOLO9000:https://arxiv.org/abs/1612.082...
https://github.com/bubbliiiing/yolov4-tiny-pytorch 数据集下载 这里用的数据集是VOC2007或者2012 官网下载地址:https://pjreddie.com/projects/pascal-voc-dataset-mirror/ 下载好了之后。目录为下图 数据集处理 找到voc_annotation.py文件,修改对应的数据集路径 ...
YOLOv4-tiny YOLOv4是专为低端GPU而设计的一种架构,其计算模块见下图。在这里,作者采用CSPOSANet+PCB架构构成了YOLOv4的骨干部分。 在计算模块中, , 。通过计算,作者推断得到k=3,其对应的计算单元示意图见上图。至于YOLOv4-tiny的通道数信息,作者延续了YOLOv3-tiny的设计。
1、在特征利用部分,YoloV4-Tiny提取多特征层进行目标检测,一共提取两个特征层,两个特征层的shape分别为(26,26,128)、(13,13,512)。 2、输出层的shape分别为(13,13,75),(26,26,75),最后一个维度为75是因为该图是基于voc数据集的,它的类为20种,YoloV4-Tiny只有针对每一个特征层存在3个先验框,所以最后...
YOLOv4-tiny是YOLOv4的一个更为精简的版本,作为一种轻量化模型,其参数数量大幅减少至仅600万,约为原版本的十分之一,从而显著提高了检测速度。该模型的网络架构包含38层,并整合了三个残差单元。在激活函数方面,选择了LeakyReLU。同时,为了优化目标的分类与回归,该模型采用了两个特征层,并利用特征金字塔(FPN)网络...