php网站源码删除,小说网站充值接口怎么做的,怎样自己做电影网站,中国建设银行蚌埠官方网站点击上方↑↑↑“OpenCV学堂”关注我来源#xff1a;公众号 量子位 授权最轻的YOLO算法出来了#xff01;这是个模型非常小、号称目前最快的YOLO算法——大小只有1.3MB#xff0c;单核每秒148帧#xff0c;移动设备上也能轻易部署。而且#xff0c;这个YOLO-Fastest算法满… 点击上方↑↑↑“OpenCV学堂”关注我来源公众号 量子位 授权最轻的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。那么这么轻的网络检测效果怎么样1.3MB的超轻YOLO检测效果下图是一只快速跑动的动物可以看见算法预测这只动物为鸡(chicken)的概率是95%。不仅在动物检测上对于人的检测效果也不错。从图中可见正面人物的预测概率都超过了90%即使是接近侧面的人脸系统也能准确预测出来只是概率会偏小接近50%。此外也能看见YOLO不仅能检测行人和动物类似于餐桌和瓶子这样的目标物体也能检测出来。当然桌上还有其他的瓶子不过没有检测出来。而这样的检测效果只需要1.3MB大小的YOLO-Fastest模型相比于3.0MB的MobileNet-YOLOv3参数少了65%速度还要快上45%。如果硬件要求没那么高相比之下还是精度更重要的话这里的YOLO-Fastest-XL会更加适合。这个“加大版”YOLO-Fastest算法是一个3.5MB的算法模型mAP要高上不少达到了68.8%。整体来说YOLO-Fastest是个牺牲一定精度 (大约5%的mAP)、大幅提升速度的目标检测模型。结合最强移动端轻量级神经网络食用之所以这么小也是因为这个YOLO-Fastest搭配了号称当前最强的移动端轻量级神经网络EfficientNet-lite。这是个比MobileNet更轻的神经网络但图像分类的效果还不错。△ EfficientNet-lite架构不过这样的压缩会牺牲一定的精度相比于YOLOv3YOLO-Fastest模型的mAP只有60.8%。但对于一些容量有限的硬件来说已经足够适用了。那么究竟为什么要在目标检测算法中选择YOLO呢YOLO快速目标检测目标检测算法YOLO的核心在于它模型体积小、运算速度快。与R-CNN系列(Fast R-CNN、Faster R-CNN等)的算法相比YOLO的精度上不了台但它的速度却是杠杠的。检测速度从先验框(下图中五彩斑斓的框架)变换的频次就能看出来。之所以追求速度是因为作为安防、自动驾驶领域的核心算法目标检测讲究实时。如果安防要过几秒钟才能检测出窃贼的存在、或是自动驾驶汽车对路障的感知非常缓慢那么后果可能会不堪设想。此后诞生出来的SSD算法有点像R-CNN和YOLO算法的折中。但对于某些存储体积有限的硬件来说依旧只有YOLO才能“装得进去”。而只有230MFLOPS(每秒运行230万次浮点运算)的YOLO-Fastest模型又给算力不足的硬件提供了机会使得它有机会在更小的机器上运行。作者相关有意思的是这位在GitHub上名为dog-qiuqiu的作者此前还写过基于MobileNet图像分类算法的YOLOv3(GitHub 1.1k星)同样可以在全平台使用。不仅如此这个全平台通用的MobileNet-YOLOv3体积和精度都要优于MobileNet-SSD。在体积只有8.0MB(相比于SSD减少了15.1MB)的情况下MobileNet-YOLOv3的mAP达到了73.26%(相比于SSD上升了0.56%)。如果感兴趣的话可以一同戳下方传送门查看这个目标检测算法。传送门1.3MB超轻YOLOhttps://github.com/dog-qiuqiu/Yolo-Fastest 比SSD效果更好的MobileNet-YOLOhttps://github.com/dog-qiuqiu/MobileNet-Yolo
