YOLOv5 Lite download - YOLOv5 Lite source code download

YOLOv5 Lite

بايثون

v5-Lite-v1.5

تنزيل

yolov5-lite ： أخف وزنا وأسرع وأسهل في النشر

论文插图

قم بإجراء سلسلة من تجارب الاجتثاث على YOLOV5 لجعلها أخف وزناً (تتخبط أصغر ، وذاكرة أقل ، وعدد أقل يتراوح).

مقارنة نتائج تجربة الاجتثاث

بطاقة تعريف	نموذج	input_size	يتخبط	params	الحجم （م）	[email protected]	خريطة@.5: 0.95
001	يولو أسرف	320 × 320	0.25g	0.35m	1.4	24.4	-
002	yolov5-lite _e ^لنا	320 × 320	0.73 جم	0.78 م	1.7	35.1	-
003	nanodet-m	320 × 320	0.72 جم	0.95m	1.8	-	20.6
004	Yolo-fastest-xl	320 × 320	0.72 جم	0.92m	3.5	34.3	-
005	يولوكس _نانو	416 × 416	1.08g	0.91m	7.3 (FP32)	-	25.8
006	Yolov3-Tiny	416 × 416	6.96g	6.06m	23.0	33.1	16.6
007	Yolov4-tiny	416 × 416	5.62g	8.86m	33.7	40.2	21.7
008	yolov5-lite _s ^لنا	416 × 416	1.66g	1.64m	3.4	42.0	25.2
009	yolov5-lite _ج ^لنا	512 × 512	5.92g	4.57m	9.2	50.9	32.5
010	nanodet-active-activelite2	512 × 512	7.12g	4.71m	18.3	-	32.6
011	Yolov5s (6.0)	640 × 640	16.5 جم	7.23m	14.0	56.0	37.2
012	yolov5-lite _g ^لنا	640 × 640	15.6 جم	5.39m	10.9	57.6	39.1

انظر الويكي: https://github.com/ppogg/yolov5-lite/wiki/test-the-map-of-models-about-coco

مقارنة على منصات مختلفة

معدات	الحوسبة الخلفية	نظام	مدخل	نطاق	V5lite-e	V5lite-s	V5Lite-C	V5lite-g	Yolov5s
إنتر	@i5-10210U	نافذة (x86)	640 × 640	Openvino	-	-	46ms	-	131ms
نفيديا	@rtx 2080ti	Linux (x86)	640 × 640	الشعلة	-	-	-	15ms	14ms
Redmi K30	snapdragon 730g	Android (ARMV8)	320 × 320	NCNN	27 مللي ثانية	38ms	-	-	163ms
Xiaomi 10	snapdragon 865	Android (ARMV8)	320 × 320	NCNN	10 مللي ثانية	14ms	-	-	163ms
Raspberrypi 4b	arm Cortex-A72	Linux (ARM64)	320 × 320	NCNN	-	84ms	-	-	371ms
Raspberrypi 4b	arm Cortex-A72	Linux (ARM64)	320 × 320	mnn	-	71ms	-	-	356ms
Axera-pi	Cortex A7@CPU 3.6topsnpu	Linux (ARM64)	640 × 640	AXPI	-	-	-	22 مللي ثانية	22 مللي ثانية

البرنامج التعليمي لـ 15 إطارًا في الثانية على Raspberry PI 4B:

https://zhuanlan.zhihu.com/p/672633849

ما سبق هو معيار اختبار 4-
Raspberrypi 4B تمكين تحسين BF16S ， Raspberrypi 64 بت OS

QQ ：： 993965802

入群答案: 剪枝 أو 蒸馏 أو 量化 أو 低秩分解低秩分解任意其一均可）

· نموذج حديقة الحيوان ·

@v5lite-e:

نموذج	مقاس	العمود الفقري	رأس	نطاق	تصميم ل
v5lite-e.pt	1.7m	Shufflenetv2 （megvii）	V5litee رأس	Pytorch	ARM-CPU
V5lite-e.bin V5lite-e.param	1.7m	Shufflenetv2	V5litee رأس	NCNN	ARM-CPU
v5lite-e-int8.bin v5lite-e-int8.param	0.9m	Shufflenetv2	V5litee رأس	NCNN	ARM-CPU
v5lite-e-fp32.mnn	3.0m	Shufflenetv2	V5litee رأس	mnn	ARM-CPU
V5lite-e-fp32.tnnmodel V5lite-e-fp32.tnnproto	2.9m	Shufflenetv2	V5litee رأس	tnn	ARM-CPU
V5Lite-E-320.onnx	3.1m	Shufflenetv2	V5litee رأس	onnxruntime	x86-CPU

@V5Lite-S:

نموذج	مقاس	العمود الفقري	رأس	نطاق	تصميم ل
V5Lite-S.pt	3.4m	Shufflenetv2 （megvii）	V5lites رأس	Pytorch	ARM-CPU
V5Lite-S.Bin V5lite-s.param	3.3m	Shufflenetv2	V5lites رأس	NCNN	ARM-CPU
V5lite-S-int8.bin V5lite-S-int8.param	1.7m	Shufflenetv2	V5lites رأس	NCNN	ARM-CPU
V5Lite-S.Mnn	3.3m	Shufflenetv2	V5lites رأس	mnn	ARM-CPU
V5lite-S-int4.mnn	987K	Shufflenetv2	V5lites رأس	mnn	ARM-CPU
V5Lite-S-FP16.Bin V5Lite-S-FP16.xml	3.4m	Shufflenetv2	V5lites رأس	OpenVivo	x86-CPU
V5Lite-S-FP32.bin V5Lite-S-FP32.xml	6.8 م	Shufflenetv2	V5lites رأس	OpenVivo	x86-CPU
V5Lite-S-FP16.TFLITE	3.3m	Shufflenetv2	V5lites رأس	tflite	ARM-CPU
V5Lite-S-FP32.tflite	6.7m	Shufflenetv2	V5lites رأس	tflite	ARM-CPU
v5lite-s-int8.tflite	1.8 م	Shufflenetv2	V5lites رأس	tflite	ARM-CPU
V5lite-S-416.onnx	6.4m	Shufflenetv2	V5lites رأس	onnxruntime	x86-CPU

@V5Lite-C:

نموذج	مقاس	العمود الفقري	رأس	نطاق	تصميم ل
V5Lite-C.PT	9m	pplcnet （baidu）	V5S رأس	Pytorch	X86-CPU / X86-VPU
V5Lite-C.Bin V5lite-c.xml	8.7m	pplcnet	V5S رأس	OpenVivo	X86-CPU / X86-VPU
V5Lite-C-512.onnx	18 م	pplcnet	V5S رأس	onnxruntime	x86-CPU

@v5lite-g:

نموذج	مقاس	العمود الفقري	رأس	نطاق	تصميم ل
V5lite-g.pt	10.9m	repvgg （tsinghua）	V5liteg رأس	Pytorch	x86-GPU / ARM-GPU / ARM-NPU
V5lite-g-int8.engine	8.5m	repvgg-yolov5	V5liteg رأس	Tensorrt	x86-GPU / ARM-GPU / ARM-NPU
v5lite-g-int8.tmfile	8.7m	repvgg-yolov5	V5liteg رأس	Tengine	ARM-NPU
V5lite-G-640.onnx	21m	repvgg-yolov5	yolov5 رأس	onnxruntime	x86-CPU
V5lite-G-640.Joint	7.1m	repvgg-yolov5	yolov5 رأس	AXPI	ARM-NPU

رابط التنزيل ：

v5lite-e.pt : | بيدو محرك | محرك Google |
| ─ ncnn-fp16 : | بيدو محرك | محرك Google |
| ─ ncnn-int8 : | بيدو محرك | محرك Google |
| ─ mnn-e_bf16 : | محرك Google |
| ─ mnn-d_bf16 : | محرك Google |
└ onnx-fp32 : | بيدو محرك | محرك Google |
v5lite-s.pt : | بيدو محرك | محرك Google |
| ─ ncnn-fp16 : | بيدو محرك | محرك Google |
| ─ ncnn-int8 : | بيدو محرك | محرك Google |
└ tengine-fp32 : | بيدو محرك | محرك Google |
v5lite-c.pt : Baidu Drive | محرك Google |
└ openvino-fp16 : | بيدو محرك | محرك Google |
v5lite-g.pt : | بيدو محرك | محرك Google |
└ axpi-int8 : Google Drive |

كلمة مرور Baidu Drive: pogg

نموذج V5Lite-S: Tflite Float32 ، Float16 ، Int8 ، كمية النطاق الديناميكي ، ONNX ، TFJS ، Tensorrt ، Openvino IR FP32/FP16 ، لا myriad inference engin blob ، coreml

https://github.com/pinto0309/pinto_model_zoo/tree/main/180_yolov5-lite

شكرًا على Pinto0309: https: //github.com/pinto0309/pinto_model_zoo/tree/main/180_yolov5-lite

كيفية استخدام

ثَبَّتَ

Python> = 3.6.0 مطلوب مع جميع المتطلبات. txt مثبت بما في ذلك pytorch> = 1.7 :

$ git clone https://github.com/ppogg/YOLOv5-Lite
$ cd YOLOv5-Lite
$ pip install -r requirements.txt

الاستدلال مع detect.py

يقوم detect.py بتشغيل الاستدلال على مجموعة متنوعة من المصادر ، وتنزيل النماذج تلقائيًا من أحدث إصدار من Yolov5-Lite وحفظ النتائج runs/detect .

$ python detect.py --source 0  # webcam
                            file.jpg  # image 
                            file.mp4  # video
                            path/  # directory
                            path/ * .jpg  # glob
                            ' https://youtu.be/NUsoVlDFqZg '  # YouTube
                            ' rtsp://example.com/media.mp4 '  # RTSP, RTMP, HTTP stream

تمرين

$ python train.py --data coco.yaml --cfg v5lite-e.yaml --weights v5lite-e.pt --batch-size 128
                                         v5lite-s.yaml           v5lite-s.pt              128
                                         v5lite-c.yaml           v5lite-c.pt               96
                                         v5lite-g.yaml           v5lite-g.pt               64

إذا كنت تستخدم متعددة GPU. إنه أسرع عدة مرات:

$ python -m torch.distributed.launch --nproc_per_node 2 train.py

مجموعة البيانات

مجموعة التدريب وتوزيع مجموعة الاختبار （المسار مع XX.JPG）

train: ../coco/images/train2017/
val: ../coco/images/val2017/

├── images            # xx.jpg example
│   ├── train2017        
│   │   ├── 000001.jpg
│   │   ├── 000002.jpg
│   │   └── 000003.jpg
│   └── val2017         
│       ├── 100001.jpg
│       ├── 100002.jpg
│       └── 100003.jpg
└── labels             # xx.txt example      
    ├── train2017       
    │   ├── 000001.txt
    │   ├── 000002.txt
    │   └── 000003.txt
    └── val2017         
        ├── 100001.txt
        ├── 100002.txt
        └── 100003.txt

Auto Labelimg

الرابط ： https: //github.com/ppogg/autolabelimg

يمكنك استخدام yolov5-5.0 المستند إلى labelimg و yolov5-lite إلى autoannotate ، biubiubiu

النموذج محور

هنا ، يتم تنظيم المكونات الأصلية لـ YOLOV5 والمكونات المستنسخة من YOLOV5-Lite وتخزينها في محور النموذج ：

ModelHub

تحليل خريطة الحرارة

$ python main.py --type all

论文插图 2

تحديث ...

كيفية النشر

NCNN للذراع CPU

MNN للذراع CPU

Openvino X86-CPU أو X86-VPU

Tensorrt (C ++) لـ ARM-GPU أو ARM-NPU أو X86-GPU

Tensorrt (Python) لـ ARM-GPU أو ARM-NPU أو X86-GPU

Android لـ ARM-CPU

Android_Demo

هذا هو هاتف Redmi ، والمعالج هو Snapdragon 730g ، ويتم استخدام Yolov5-Lite للكشف. الأداء كما يلي:

الرابط: https://github.com/ppogg/yolov5-lite/tree/master/android_demo/ncnn-droid-v5lite

Android_V5Lite-S: https://drive.google.com/file/d/1ctohy68n2b9xyuqflitp-nd2kufwgaur/view؟usp=sharing

Android_v5lite-g: https://drive.google.com/file/d/1fnvkwxxp_azwhi000xjiuhj_ohqoujcj/view؟usp=sharing

تطبيق Android الجديد: [LINK]

شرح أكثر تفصيلا

رابط نموذج مفصل:

ما هو نموذج yolov5-lite s/e: Zhihu Link (صينية): https://zhuanlan.zhihu.com/p/400545131

ما هو نموذج YOLOV5-Lite C: Zhihu Link (الصينية): https://zhuanlan.zhihu.com/p/420737659

ما هو نموذج YOLOV5-Lite G: Zhihu Link (الصينية): https://zhuanlan.zhihu.com/p/410874403

كيفية النشر على NCNN مع FP16 أو int8: رابط CSDN (صيني): https://blog.csdn.net/weixin_45829462/article/details/119787840

كيفية الانتشار على MNN مع FP16 أو int8: Zhihu Link (الصينية): https://zhuanlan.zhihu.com/p/672633849

كيفية النشر على onnxruntime: Zhihu Link (الصينية): https://zhuanlan.zhihu.com/p/476533259(old إصدار)

كيفية النشر على Tensorrt: Zhihu Link (الصينية): https://zhuanlan.zhihu.com/p/478630138

كيفية التحسين على Tensorrt: Zhihu Link (الصينية): https://zhuanlan.zhihu.com/p/463074494

مرجع

https://github.com/ultralytics/yolov5

https://github.com/megvii-model/ukeflenet-series

https://github.com/tencent/ncnn

نقلا عن yolov5-lite

إذا كنت تستخدم yolov5-lite في بحثك ، فيرجى الاستشهاد بعملنا وإعطاء نجمة:

 @misc{yolov5lite2021,
  title = {YOLOv5-Lite: Lighter, faster and easier to deploy},
  author = {Xiangrong Chen and Ziman Gong},
  doi = {10.5281/zenodo.5241425}
  year={2021}
}

يوسع

معلومات إضافية

الإصدار v5-Lite-v1.5
النوع بايثون
وقت التحديث 2025-07-11
الحجم 10.44MB
من Github

تطبيقات ذات صلة

نوصي لك

chat.petals.dev

شفرة المصدر الأخرى

1.0.0
GPT Prompt Templates

شفرة المصدر الأخرى

1.0.0
GPTyped

شفرة المصدر الأخرى

GPTyped 1.0.5
ToDo Co

بايثون

1.0.0
Python Portfolio

بايثون
Redash أداة مخطط البيانات مفتوحة المصدر v24.10.0

بايثون

24.10.0
Google Dorks

شفرة المصدر الأخرى

1.0
shepherd

شفرة المصدر الأخرى

v6.1.6-react-shepherd: Prepare Release (#3063)
mongo express

شفرة المصدر الأخرى

v1.1.0-rc-3

أخبار ذات صلة الكل

YOLOv5 Lite

yolov5-lite ： أخف وزنا وأسرع وأسهل في النشر

مقارنة نتائج تجربة الاجتثاث

مقارنة على منصات مختلفة

البرنامج التعليمي لـ 15 إطارًا في الثانية على Raspberry PI 4B:

QQ ：： 993965802

· نموذج حديقة الحيوان ·

@v5lite-e:

@V5Lite-S:

@V5Lite-C:

@v5lite-g:

رابط التنزيل ：

نموذج V5Lite-S: Tflite Float32 ، Float16 ، Int8 ، كمية النطاق الديناميكي ، ONNX ، TFJS ، Tensorrt ، Openvino IR FP32/FP16 ، لا myriad inference engin blob ، coreml

شكرًا على Pinto0309: https: //github.com/pinto0309/pinto_model_zoo/tree/main/180_yolov5-lite

كيفية استخدام

كيفية النشر

Android_Demo

شرح أكثر تفصيلا

رابط نموذج مفصل:

مرجع

نقلا عن yolov5-lite

Office Lite

yolov5

برنامج لايت لايت

جامعة كاليفورنيا لايت

QCMS قليلا

ActualAnalyzer لايت

chat.petals.dev

GPT Prompt Templates

GPTyped

ToDo Co

Python Portfolio

Redash أداة مخطط البيانات مفتوحة المصدر v24.10.0

Google Dorks

shepherd

mongo express

YOLOv5 Lite

yolov5-lite ： أخف وزنا وأسرع وأسهل في النشر

مقارنة نتائج تجربة الاجتثاث

مقارنة على منصات مختلفة

البرنامج التعليمي لـ 15 إطارًا في الثانية على Raspberry PI 4B:

QQ ： ： 993965802

· نموذج حديقة الحيوان ·

@v5lite-e:

@V5Lite-S:

@V5Lite-C:

@v5lite-g:

رابط التنزيل ：

نموذج V5Lite-S: Tflite Float32 ، Float16 ، Int8 ، كمية النطاق الديناميكي ، ONNX ، TFJS ، Tensorrt ، Openvino IR FP32/FP16 ، لا myriad inference engin blob ، coreml

شكرًا على Pinto0309: https: //github.com/pinto0309/pinto_model_zoo/tree/main/180_yolov5-lite

كيفية استخدام

كيفية النشر

Android_Demo

شرح أكثر تفصيلا

رابط نموذج مفصل:

مرجع

نقلا عن yolov5-lite

QQ ：： 993965802