Tiny Yolo V4 网络结构图 （通过优化网络结构和参数，保持较高检测精度的同时，降低模型的计算量和内存占用）三、 获取数据集和模型 可下载开源训练集或预训练模型。为了确保兼容性，建议将模型转换为 ONNX 格式，以便后续能在 FPGA 上完成优化。1.下载 Tiny YOLO V4 模型：从Darknet 的 GitHub 仓库获取 Tiny Y...
实验结果表明,该方法具有比YOLOv4-tiny和YOLOv3-tiny更快的目标检测速度,并且其平均精度的平均值与YOLOv4-tiny几乎相同。它更适合于实时目标检测。 2、YOLO V4 Tiny概要 2.1、模型结构 Yolov4-tiny使用特征金字塔网络提取不同尺度的特征图,进而提高目标检测速度,而不使用Yolov4方法中使用的空间金字塔池和路径聚合网络...
SPP(Spatial Pyramid Pooling,空间金字塔池化结构):对于非全连接网络而言,如SSP Block这幅图,通过spp模块实现了局部特征和全局特征的featuremap级别的融合(所以空间金字塔池化结构的最大的池化核要尽可能的接近等于需要池化的featherMap的大小),丰富最终特征图的表达能力,从而可以提高MAP,并且几乎不会降低网络运行速度。yo...
实验证实了 FPN 结构本质上是一种 once-for-all 结构; 利用上述方法研制了 YOLOv4-tiny 和YOLO4v4-large 模型。 以往模型缩放,如 EfficientDet 无非是首先选择网络基础模块,它往往又好又快,然后针对影响目标检测的重要参数如:网络宽度 www、深度 ddd、输入图像分辨率size 等进行(满足一定条件下按照一定规律)调参,或...
分析了模型扩展因子之间的相关性并基于最优划分进行模型扩展; 通过实验证实:FPN structure is inherently a once-for-all structure 基于前述分析设计了两种高效模型:YOLOv4-tiny与YOLOv4-Large。 Principles of model scaling 在这部分内容里面,我们将讨论一下模型扩展的一些准则。从三个方面展开介绍:(1) 量化因子的...
由此得到的YOLOv4-Large取得了SOTA结果:在MS-COCO数据集上取得了55.4%AP(73.3% AP50),推理速度为15fps@Tesla V100;在添加TTA后,该模型达到了55.8%AP(73.2%AP50)。截止目前,在所有公开论文中,YOLOv-Large在COCO数据集上取得最佳指标。而由此得到的YOLOv4-tiny取得了22.0%AP(42.0%AP50),推理速度为443fps@TRX...
首先对YOLOv4进行了重新设计,提出了YOLOv4-CSP,然后在YOLOv4-CSP的基础上开发了Scaled-YOLOv4。在提出的Scaled-yolov4中讨论了线性缩放模型的上界和下界,并分析了小模型和大模型缩放时需要注意的问题。因此,能够系统地开发YOLOv4-Large和YOLOv4-Tiny模型。
当输入是416x416时,特征结构如下: 当输入是608x608时,特征结构如下: 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...
从上表可以看到:所设计的PCB技术可以使模型更具灵活性,因为它可以更具实际需要进行结构调整。同时也证实:线性缩放方式的局限性。作者最终选择COSA-2x2x作为YOLOv4-tiny,因其取得最佳的精度-速度均衡。 Scaled-YOLOv4 for object detection 上图给出了本文所提Scaled-YOLOv4与其他SOTA目标检测方法的对比,可以看到:所...
从上表可以看到:所设计的PCB技术可以使模型更具灵活性,因为它可以更具实际需要进行结构调整。 同时也证实:线性缩放方式的局限性。作者最终选择COSA-2x2x作为YOLOv4-tiny,因其取得最佳的精度-速度均衡。 Scaled-YOLOv4 for object detection 上图给出了本文所提Scaled-YOLOv4与其他SOTA目标检测方法的对比,可以看到:...