YOLOv5 Lite Unduh - YOLOv5 Lite Sumber Code Unduh

YOLOv5 Lite

ular piton

v5-Lite-v1.5

Unduh

Yolov5-lite ： lebih ringan, lebih cepat dan lebih mudah digunakan

论文插图

Lakukan serangkaian percobaan ablasi pada YOLOV5 untuk membuatnya lebih ringan (jepit yang lebih kecil, memori yang lebih rendah, dan parameter lebih sedikit) dan lebih cepat (tambahkan saluran shuffle, yolov5 head untuk pengurangan saluran. Ini dapat menyimpulkan setidaknya 10+ fps pada raspberry pi 4b ketika input bingkai dengan 320 × 320) dan lebih mudah untuk di -deploy (Repover Pi 4b ketika input bingkai dengan 320 × 320) dan lebih mudah untuk di -Deploy (RepoV Pi. rentang yang dapat diterima).

gambar

Perbandingan hasil eksperimen ablasi

PENGENAL	Model	Input_size	Jepit	Params	Ukuran （M）	[email protected]	[email protected]: 0.95
001	tercepat yolo	320 × 320	0.25g	0,35m	1.4	24.4	-
002	Yolov5-lite _e ^kami	320 × 320	0.73g	0.78m	1.7	35.1	-
003	Nanodet-m	320 × 320	0.72g	0,95m	1.8	-	20.6
004	Yolo-Fastest-XL	320 × 320	0.72g	0.92m	3.5	34.3	-
005	_Nano YOLOX	416 × 416	1.08g	0,91m	7.3 (FP32)	-	25.8
006	YOLOV3 kecil	416 × 416	6.96g	6.06m	23.0	33.1	16.6
007	YOLOV4 kecil	416 × 416	5.62g	8.86m	33.7	40.2	21.7
008	Yolov5-lite _milik ^kita	416 × 416	1.66g	1.64m	3.4	42.0	25.2
009	Yolov5-lite _c ^{milik kami}	512 × 512	5.92g	4.57m	9.2	50.9	32.5
010	Nanodet-efisienlite2	512 × 512	7.12g	4.71m	18.3	-	32.6
011	YOLOV5S (6.0)	640 × 640	16.5g	7.23m	14.0	56.0	37.2
012	Yolov5-lite _g ^{milik kami}	640 × 640	15.6g	5.39m	10.9	57.6	39.1

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

Perbandingan pada platform yang berbeda

Peralatan	Menghitung backend	Sistem	Masukan	Kerangka	v5lite-e	v5lite-s	v5lite-c	v5lite-g	YOLOV5S
Antar	@i5-10210u	jendela (x86)	640 × 640	Openvino	-	-	46ms	-	131ms
Nvidia	@RTX 2080TI	Linux (x86)	640 × 640	obor	-	-	-	15ms	14ms
Redmi K30	@Snapdragon 730g	Android (ARMV8)	320 × 320	ncnn	27ms	38ms	-	-	163ms
Xiaomi 10	@Snapdragon 865	Android (ARMV8)	320 × 320	ncnn	10ms	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 3.6tops @npu	Linux (ARM64)	640 × 640	AXPI	-	-	-	22ms	22ms

Tutorial 15fps di Raspberry Pi 4B:

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

Di atas adalah tolok ukur uji 4-thread
Raspberrypi 4b mengaktifkan optimasi BF16S ， raspberrypi 64 bit OS

QQ 交流群： 993965802

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

· Model Zoo ·

@v5lite-e:

Model	Ukuran	Tulang punggung	Kepala	Kerangka	Desain untuk
v5lite-e.pt	1.7m	shufflenetv2 （megvii）	v5litee-head	Pytorch	Lengan-cpu
v5lite-e.bin v5lite-e.param	1.7m	shufflenetv2	v5litee-head	ncnn	Lengan-cpu
v5lite-e-int8.bin v5lite-e-int8.param	0,9m	shufflenetv2	v5litee-head	ncnn	Lengan-cpu
v5lite-e-fp32.mnn	3.0m	shufflenetv2	v5litee-head	mnn	Lengan-cpu
v5lite-e-fp32.tnnmodel v5lite-e-fp32.tnnproto	2.9m	shufflenetv2	v5litee-head	tnn	lengan-cpu
v5lite-e-320.onnx	3.1m	shufflenetv2	v5litee-head	onnxruntime	x86-cpu

@v5lite-s:

Model	Ukuran	Tulang punggung	Kepala	Kerangka	Desain untuk
v5lite-s.pt	3.4m	shufflenetv2 （megvii）	v5lites-head	Pytorch	Lengan-cpu
V5Lite-S.Bin v5lite-s.param	3.3m	shufflenetv2	v5lites-head	ncnn	Lengan-cpu
v5lite-s-int8.bin v5lite-s-int8.param	1.7m	shufflenetv2	v5lites-head	ncnn	Lengan-cpu
v5lite-s.mnn	3.3m	shufflenetv2	v5lites-head	mnn	Lengan-cpu
v5lite-s-int4.mnn	987K	shufflenetv2	v5lites-head	mnn	Lengan-cpu
v5lite-s-fp16.bin v5lite-s-fp16.xml	3.4m	shufflenetv2	v5lites-head	OpenVivo	x86-cpu
v5lite-s-fp32.bin v5lite-s-fp32.xml	6.8m	shufflenetv2	v5lites-head	OpenVivo	x86-cpu
v5lite-s-fp16.tflite	3.3m	shufflenetv2	v5lites-head	tflite	lengan-cpu
v5lite-s-fp32.tflite	6.7m	shufflenetv2	v5lites-head	tflite	lengan-cpu
v5lite-s-int8.tflite	1.8m	shufflenetv2	v5lites-head	tflite	lengan-cpu
v5lite-s-416.onnx	6.4m	shufflenetv2	v5lites-head	onnxruntime	x86-cpu

@v5lite-c:

Model	Ukuran	Tulang punggung	Kepala	Kerangka	Desain untuk
V5Lite-C.PT	9m	Pplcnet （baidu）	v5s-head	Pytorch	x86-cpu / x86-vpu
v5lite-c.bin v5lite-c.xml	8.7m	Pplcnet	v5s-head	OpenVivo	x86-cpu / x86-vpu
v5lite-c-512.onnx	18m	Pplcnet	v5s-head	onnxruntime	x86-cpu

@v5lite-g:

Model	Ukuran	Tulang punggung	Kepala	Kerangka	Desain untuk
v5lite-g.pt	10.9m	Repvgg （tsinghua）	v5liteg-head	Pytorch	X86-GPU / ARM-GPU / ARM-NPU
v5lite-g-int8.engine	8.5m	Repvgg-yolov5	v5liteg-head	Tensorrt	X86-GPU / ARM-GPU / ARM-NPU
v5lite-g-int8.tmfile	8.7m	Repvgg-yolov5	v5liteg-head	Tengine	ARM-NPU
V5Lite-G-640.onnx	21m	Repvgg-yolov5	yolov5-head	onnxruntime	x86-cpu
V5Lite-G-640.Joint	7.1m	Repvgg-yolov5	yolov5-head	AXPI	ARM-NPU

Unduh tautan ：

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

Kata Sandi Drive Baidu: pogg

Model V5Lite-S: TFLITE Float32, Float16, Int8, Dynamic Range Cuantization, Onnx, TFJS, Tensorrt, Openvino IR FP32/FP16, Myriad Inference Engin Blob, Coreml

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

Terima kasih untuk Pinto0309: https: //github.com/pinto0309/pinto_model_zoo/tree/main/180_yolov5-lite

Cara menggunakan

Memasang

Python> = 3.6.0 diperlukan dengan semua persyaratan.txt diinstal termasuk pytorch> = 1.7 :

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

Inferensi dengan detect.py

detect.py menjalankan inferensi pada berbagai sumber, mengunduh model secara otomatis dari rilis YOLOV5-Lite terbaru dan menghemat hasil untuk 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

Pelatihan

$ 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

Jika Anda menggunakan Multi-GPU. Lebih cepat beberapa kali:

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

Dataset

Set pelatihan dan distribusi set tes （jalur dengan 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

Label Auto

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

Anda dapat menggunakan labelimg berbasis yolov5-5.0 dan yolov5-lite untuk autoannotate, biubiubiu

Hub Model

Di sini, komponen asli YOLOV5 dan komponen yang direproduksi dari YOLOV5-Lite diatur dan disimpan di Hub Model ：

ModelHub

Analisis Panas

$ python main.py --type all

论文插图 2

Memperbarui ...

Cara menggunakan

NCNN untuk ARM-CPU

MNN untuk ARM-CPU

Openvino x86-cpu atau x86-vpu

Tensorrt (C ++) untuk ARM-GPU atau ARM-NPU atau X86-GPU

Tensorrt (Python) untuk ARM-GPU atau ARM-NPU atau X86-GPU

Android untuk ARM-CPU

Android_demo

Ini adalah ponsel Redmi, prosesornya adalah Snapdragon 730g, dan Yolov5-lite digunakan untuk deteksi. Kinerja adalah sebagai berikut:

Tautan: 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

Aplikasi Android Baru: [tautan] https://pan.baidu.com/s/1prhw4fi1jq8vbopyishciq [kata kunci] pogg

Penjelasan yang lebih rinci

Tautan model terperinci:

Apa itu model s/e yolov5-lite: zhihu link (Cina): https://zhuanlan.zhihu.com/p/400545131

Apa itu model C yolov5-lite: Zhihu Link (Cina): https://zhuanlan.zhihu.com/p/420737659

Apa itu model g yolov5-lite: zhihu link (Cina): https://zhuanlan.zhihu.com/p/410874403

Cara menggunakan NCNN dengan fp16 atau int8: csdn link (Cina): https://blog.csdn.net/weixin_45829462/article/details/119787840

Cara menggunakan Mnn dengan fp16 atau int8: zhihu link (Cina): https://zhuanlan.zhihu.com/p/672633849

Cara Menyebarkan Onnxruntime: Zhihu Link (Cina): https://zhuanlan.zhihu.com/p/476533259uk versi) versi)

Cara menggunakan Tensorrt: Zhihu Link (Cina): https://zhuanlan.zhihu.com/p/478630138

Cara Mengoptimalkan Tensorrt: Zhihu Link (Cina): https://zhuanlan.zhihu.com/p/463074494

Referensi

https://github.com/ultralytics/yolov5

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

https://github.com/tencent/ncnn

Mengutip yolov5-lite

Jika Anda menggunakan yolov5-lite dalam penelitian Anda, silakan kutip pekerjaan kami dan berikan bintang:

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

Memperluas

Informasi Tambahan