我这里选择yolov7-tiny模型,在cmd中进入应用程序darknet(windwows为darknet.exe)所在目录,windows训练使用如下命令: darknet detector train E:/yolov7_tiny.data E:/yolov7-tiny.cfg E:/yolov7-tiny.weights linux命令为 ./darknet detector train E:/yolov7_tiny.data E:/yolov7-tiny.cfg E:/yolov...
A lightweight detection method based on an improved YOLOv7-Tiny is proposed in this paper to address the current issue of large parameters and FLOPs in object detection models. The method is specifically designed for detecting passion fruit in complex orchard environments,...
ELAN和E-ELAN 设计轻量级网络或高效架构时,计算量(FLOPs)和模型参数量是主要考虑因素,但是减少模型大小和FLOPs不等同于减少推理时间和降低能耗。比如ShuffleNetv2与MobileNetv2在相同的FLOPs下,前者在GPU上速度更快。所以除了FLOPs和模型大小外,还需要考虑其他因素对能耗和模型推理速度的影响。VoVNet诞生,除了考虑上述因素外...
由于 YOLOv7-tiny 是一个面向边缘端 GPU 的架构,因此它将使用 ReLU 作为激活函数。对于其他模型,我们使用 SiLU 作为激活函数。我们将在附录中详细描述每个模型的比例因子。 表2:最先进的实时目标检测器的比较 1.我们的 FLOPs 是由矩形输入分辨率计算的,如 640×640 或 1280×1280。2.我们的推理时间是通过使用...
(3) We propose a model DC-YOLO for field plant target detection, which is an optimized algorithm based on YOLOv7-tiny. After experiments, this model outperforms other mainstream lightweight object detection models in our task. The rest of the paper is structured as follows, with the “Metho...
YOLOv7-tiny的mAP得分为0.931,F1-Score为0.89,两项指标都稍低于前两者。作为一个“轻量化”的模型,YOLOv7-tiny可能在模型大小和运算速度上有优势,但这可能导致了在特征提取和目标定位的性能上的一些妥协。较低的F1-Score表明模型在减少误检(即提高精确度)和避免漏检(即提高召回率)方面可能存在一定的挑战。
它是在 YOLOv5 的基础上进行改进和优化得到的，它结合了众多优秀的先进思想，共有 YOLOv7-tiny，YOLO...
YOLOv5nu和YOLOv7-tiny的表现相对落后,但也展示了竞争力的结果,YOLOv5nu的mAP为0.868,F1分数为0.86,而经过更正的YOLOv7-tiny的mAP和F1分数分别为0.848和0.85。尽管YOLOv7-tiny是一个轻量级模型,其性能与其他更复杂的模型相比仍具有竞争力。 通过将y轴的显示范围设置在0.84到1的区间,我们确保了即使在性能较为...
YOLOv7-tiny的mAP稍低,为0.771,而YOLOv8n的mAP为0.785,表明尽管这些模型在性能上有所差异,但它们都能提供相当高的平均精度。这一结果对于实际应用来说非常重要,因为它意味着在田间杂草的检测中,这些模型都能以较高的准确度识别出杂草的存在。 在这里插入图片描述...
模型图像大小 (像素)mAPval 50-95CPU ONNX 速度 (毫秒)A100 TensorRT 速度 (毫秒)参数数量 (百万)FLOPs (十亿) YOLOv5nu 640 34.3 73.6 1.06 2.6 7.7 YOLOv8n 640 37.3 80.4 0.99 3.2 8.7 YOLOv6N 640 37.5 - - 4.7 11.4 YOLOv7-tiny 640 37.4 - - 6.01 13.1 (2)度量指标: F1-Score:F1-Score...