YOLOv5 Lite Download - YOLOv5 Lite Source Code Download

YOLOv5 Lite

Python

v5-Lite-v1.5

Herunterladen

Yolov5-lite: leichter, schneller und einfacher bereitzustellen

论文插图

Führen Sie eine Reihe von Ablationsexperimenten auf yolov5 durch, um sie leichter zu machen (kleinere Flops, niedrigerer Speicher und weniger Parameter) und schneller (Shuffle -Kanal hinzufügen, Yolov5 -Kopf für Kanal reduzieren. Sie kann mindestens 10+ fps auf dem Raspberry PI 4B abschließen, wenn Sie den Rahmen mit 320 × 320 achten). Reichweite).

Bild

Vergleich der Ergebnisse des Ablationsexperiments

AUSWEIS	Modell	Input_size	Flops	Parameter	Größe （m）	[email protected]	[email protected]: 0,95
001	yolo-fastest	320 × 320	0,25 g	0,35 m	1.4	24.4	- -
002	Yolov5-lite _e ^unsere	320 × 320	0,73 g	0,78 m	1.7	35.1	- -
003	Nanodet-m	320 × 320	0,72 g	0,95 m	1.8	- -	20.6
004	yolo-fastest-xl	320 × 320	0,72 g	0,92 m	3.5	34.3	- -
005	Yolox _Nano	416 × 416	1,08g	0,91 m	7.3 (FP32)	- -	25.8
006	yolov3-tiny	416 × 416	6,96G	6,06 m	23.0	33.1	16.6
007	yolov4-tiny	416 × 416	5.62g	8,86 m	33.7	40.2	21.7
008	Yolov5-lite _ist ^unsere	416 × 416	1,66G	1,64 m	3.4	42.0	25.2
009	Yolov5-lite _c ^ons	512 × 512	5.92g	4,57 m	9.2	50.9	32.5
010	Nanodet-effizientesLite2	512 × 512	7.12g	4,71 m	18.3	- -	32.6
011	Yolov5s (6.0)	640 × 640	16,5 g	7,23 m	14.0	56.0	37.2
012	Yolov5-lite _g ^ohus	640 × 640	15,6g	5.39 m	10.9	57.6	39.1

Siehe das Wiki: https://github.com/ppogg/yolov5-lite/wiki/test-the-map-of-models-about-coco

Vergleich auf verschiedenen Plattformen

Ausrüstung	Computer -Backend	System	Eingang	Rahmen	v5lite-e	v5lite-s	V5lite-C	v5lite-g	Yolov5s
Inter	@i5-10210u	Fenster (x86)	640 × 640	OpenVino	- -	- -	46 ms	- -	131 ms
Nvidia	@Rtx 2080ti	Linux (x86)	640 × 640	Fackel	- -	- -	- -	15 ms	14 ms
Redmi K30	@Snapdragon 730g	Android (ARMV8)	320 × 320	ncnn	27 ms	38 ms	- -	- -	163 ms
Xiaomi 10	@Snapdragon 865	Android (ARMV8)	320 × 320	ncnn	10 ms	14 ms	- -	- -	163 ms
Raspberrypi 4b	@Arm Cortex-A72	Linux (ARM64)	320 × 320	ncnn	- -	84 ms	- -	- -	371 ms
Raspberrypi 4b	@Arm Cortex-A72	Linux (ARM64)	320 × 320	Mnn	- -	71 ms	- -	- -	356 ms
Axera-pi	Cortex A7@CPU 3.6TOPS @NPU	Linux (ARM64)	640 × 640	Axpi	- -	- -	- -	22 ms	22 ms

Das Tutorial von 15 fps auf Raspberry Pi 4b:

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

Das obige ist eine Testbenchmark mit 4 Thread
Raspberrypi 4b aktivieren BF16S -Optimierung ， RaspberryPI 64 -Bit -Betriebssystem

QQ 交流群： 993965802

入群答案: 剪枝 oder 蒸馏 oder 量化 oder 低秩分解（任意其一均可）

· Modellzoo ·

@v5lite-e:

Modell	Größe	Rückgrat	Kopf	Rahmen	Design für
V5lite-e.pt	1,7 m	SHUFFLENETV2 （MEGVII）	V5litee-Kopf	Pytorch	ARM-CPU
V5lite-e.bin V5lite-e.param	1,7 m	SHUFFLENETV2	V5litee-Kopf	ncnn	ARM-CPU
v5lite-e-in8.bin v5lite-e-in8.param	0,9 m	SHUFFLENETV2	V5litee-Kopf	ncnn	ARM-CPU
v5lite-e-fp32.mnn	3,0 m	SHUFFLENETV2	V5litee-Kopf	Mnn	ARM-CPU
v5lite-e-fp32.tnnmodel v5lite-e-f32.tnnproto	2,9 m	SHUFFLENETV2	V5litee-Kopf	tnn	ARM-CPU
v5lite-e-320.onnx	3.1m	SHUFFLENETV2	V5litee-Kopf	Onnxruntime	x86-CPU

@v5lite-s:

Modell	Größe	Rückgrat	Kopf	Rahmen	Design für
v5lite-s.pt	3,4 m	SHUFFLENETV2 （MEGVII）	V5lites-Head	Pytorch	ARM-CPU
v5lite-s.bin v5lite-s.param	3,3 m	SHUFFLENETV2	V5lites-Head	ncnn	ARM-CPU
v5lite-s-int8.bin v5lite-s-int8.param	1,7 m	SHUFFLENETV2	V5lites-Head	ncnn	ARM-CPU
v5lite-s.mnn	3,3 m	SHUFFLENETV2	V5lites-Head	Mnn	ARM-CPU
v5lite-s-int4.mnn	987K	SHUFFLENETV2	V5lites-Head	Mnn	ARM-CPU
v5lite-s-fp16.bin v5lite-s-fp16.xml	3,4 m	SHUFFLENETV2	V5lites-Head	OpenVivo	x86-CPU
V5lite-s-f32.bin V5lite-s-f32.xml	6,8 m	SHUFFLENETV2	V5lites-Head	OpenVivo	x86-CPU
v5lite-s-fp16.tflite	3,3 m	SHUFFLENETV2	V5lites-Head	tflite	ARM-CPU
v5lite-s-fp32.tflite	6,7 m	SHUFFLENETV2	V5lites-Head	tflite	ARM-CPU
v5lite-s-int8.tflite	1,8 m	SHUFFLENETV2	V5lites-Head	tflite	ARM-CPU
v5lite-s-416.onnx	6,4 m	SHUFFLENETV2	V5lites-Head	Onnxruntime	x86-CPU

@v5lite-c:

Modell	Größe	Rückgrat	Kopf	Rahmen	Design für
v5lite-c.pt	9m	Pplcnet （baidu）	V5S-Kopf	Pytorch	X86-CPU / x86-VPU
V5lite-C.bin v5lite-c.xml	8,7 m	Pplcnet	V5S-Kopf	OpenVivo	X86-CPU / x86-VPU
V5lite-C-512.onnx	18m	Pplcnet	V5S-Kopf	Onnxruntime	x86-CPU

@V5lite-G:

Modell	Größe	Rückgrat	Kopf	Rahmen	Design für
v5lite-g.pt	10,9 m	Repvgg （tsinghua）	V5liteg-Kopf	Pytorch	x86-gpu / arm-gpu / arm-npu
V5lite-g-in8.Engine	8,5 m	Repvgg-yolov5	V5liteg-Kopf	Tensorrt	x86-gpu / arm-gpu / arm-npu
v5lite-g-in8.tmfile	8,7 m	Repvgg-yolov5	V5liteg-Kopf	Tengine	Arm-NPU
v5lite-g-640.onnx	21m	Repvgg-yolov5	Yolov5-Kopf	Onnxruntime	x86-CPU
v5lite-g-640.joint	7.1m	Repvgg-yolov5	Yolov5-Kopf	Axpi	Arm-NPU

Link herunterladen:

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

Baidu Drive Passwort: pogg

V5lite-S-Modell: Tflite Float32, Float16, Int8, Dynamikbereich Quantisierung, ONNX, TFJS, Tensorrt, OpenVino Ir FP32/FP16, Myriad Inference Engin Blob, Coreml

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

Danke für Pinto0309: https: //github.com/pinto0309/pinto_model_zoo/tree/main/180_yolov5-lite

Wie man benutzt

Installieren

Python> = 3.6.0 ist mit allen Anforderungen erforderlich. TXT installiert einschließlich Pytorch> = 1.7 :

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

Inferenz mit Erkennung.Py

detect.py führt in einer Vielzahl von Quellen Schlussfolgerungen aus und lädt Modelle automatisch von der neuesten YOLOV5-LITE-Veröffentlichung herunter und speichern die Ergebnisse auf 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

Ausbildung

$ 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

Wenn Sie Multi-GPU verwenden. Es ist mehrmals schneller:

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

Datensatz

Trainingssatz und Testsatzverteilung （Der Pfad mit 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

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

Sie können labelimg-basierte YOLOV5-5.0 und YOLOV5-LITE zum Autoannotieren, Biubiubiu

Modell Hub

Hier werden die ursprünglichen Komponenten von YOLOV5 und die reproduzierten Komponenten von yolov5-lite organisiert und im Modell-Hub gespeichert:

ModelHub

Heatmap -Analyse

$ python main.py --type all

论文插图 2

Aktualisieren ...

Bereitstellung

NCNN für ARM-CPU

MNN für ARM-CPU

openvino x86-cpu oder x86-vpu

Tensorrt (C ++) für ARM-GPU oder ARM-NPU oder X86-GPU

Tensorrt (Python) für Arm-GPU oder Arm-NPU oder X86-GPU

Android für ARM-CPU

Android_demo

Dies ist ein Redmi-Telefon, der Prozessor ist Snapdragon 730G und Yolov5-Lite wird zur Erkennung verwendet. Die Leistung ist wie folgt:

Link: https://github.com/ppogg/yolov5-lite/tree/master/android_demo/ncnn-android-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

Neue Android -App: [Link] https://pan.baidu.com/s/1prhw4fi1jq8vbopyishciq [Keyword] Pogg

Detailliertere Erklärung

Detaillierter Modelllink:

Was ist Yolov5-Lite S/E-Modell: Zhihu Link (Chinesisch): https://zhuanlan.zhihu.com/p/400545131

Was ist Yolov5-Lite C-Modell: Zhihu Link (Chinesisch): https://zhuanlan.zhihu.com/p/420737659

Was ist Yolov5-Lite G-Modell: Zhihu Link (chinesisch): https://zhuanlan.zhihu.com/p/410874403

So bereitstellen Sie auf NCNN mit FP16 oder INT8: CSDN Link (Chinese): https://blog.csdn.net/weixin_45829462/article/details/119787840

So Bereitstellung auf MNN mit FP16 oder INT8: Zhihu Link (Chinesisch): https://zhuanlan.zhihu.com/p/672633849

So Bereitstellung auf OnnxRuntime: Zhihu Link (Chinesisch): https://zhuanlan.zhihu.com/p/476533259(old -Version)

So Bereitstellung auf Tensorrt: Zhihu Link (Chinesisch): https://zhuanlan.zhihu.com/p/478630138

So optimieren Sie Tensorrt: Zhihu Link (Chinesisch): https://zhuanlan.zhihu.com/p/463074494

Referenz

https://github.com/ultralytics/yolov5

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

https://github.com/tencent/ncnn

Unter Berufung auf Yolov5-Lite

Wenn Sie Yolov5-Lite in Ihrer Forschung verwenden, zitieren Sie bitte unsere Arbeit und geben Sie einen Stern:

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

Expandieren

Zusätzliche Informationen

Version v5-Lite-v1.5
Typ Python
Aktualisierungszeit 2025-07-11
Größe 10.44MB
Kommt von Github

Ähnliche Anwendungen

Office Lite

2024-11-13
yolov5

2024-11-01
Light Lite-Software

2023-07-11
UC Lite

2023-06-04
QCMS KLEIN

2012-03-10
ActualAnalyzer Lite

2009-04-29

YOLOv5 Lite

Yolov5-lite: leichter, schneller und einfacher bereitzustellen

Vergleich der Ergebnisse des Ablationsexperiments

Vergleich auf verschiedenen Plattformen

Das Tutorial von 15 fps auf Raspberry Pi 4b:

QQ 交流群： 993965802

· Modellzoo ·

@v5lite-e:

@v5lite-s:

@v5lite-c:

@V5lite-G:

Link herunterladen:

V5lite-S-Modell: Tflite Float32, Float16, Int8, Dynamikbereich Quantisierung, ONNX, TFJS, Tensorrt, OpenVino Ir FP32/FP16, Myriad Inference Engin Blob, Coreml

Danke für Pinto0309: https: //github.com/pinto0309/pinto_model_zoo/tree/main/180_yolov5-lite

Wie man benutzt

Bereitstellung

Android_demo

Detailliertere Erklärung

Detaillierter Modelllink:

Referenz

Unter Berufung auf Yolov5-Lite

Office Lite

yolov5

Light Lite-Software

UC Lite

QCMS KLEIN

ActualAnalyzer Lite

chat.petals.dev

GPT Prompt Templates

GPTyped

ToDo Co

Python Portfolio

Redash Open-Source-Datendiagramm-Tool v24.10.0

Google Dorks

shepherd

mongo express

YOLOv5 Lite

Yolov5-lite: leichter, schneller und einfacher bereitzustellen

Vergleich der Ergebnisse des Ablationsexperiments

Vergleich auf verschiedenen Plattformen

Das Tutorial von 15 fps auf Raspberry Pi 4b:

QQ 交流群 ： 993965802

· Modellzoo ·

@v5lite-e:

@v5lite-s:

@v5lite-c:

@V5lite-G:

Link herunterladen:

V5lite-S-Modell: Tflite Float32, Float16, Int8, Dynamikbereich Quantisierung, ONNX, TFJS, Tensorrt, OpenVino Ir FP32/FP16, Myriad Inference Engin Blob, Coreml

Danke für Pinto0309: https: //github.com/pinto0309/pinto_model_zoo/tree/main/180_yolov5-lite

Wie man benutzt

Bereitstellung

Android_demo

Detailliertere Erklärung

Detaillierter Modelllink:

Referenz

Unter Berufung auf Yolov5-Lite

QQ 交流群： 993965802