YOLOv5 LiteダウンロードYOLOv5 Liteソースコードのダウンロード

YOLOv5 Lite

パイソン

v5-Lite-v1.5

ダウンロード

Yolov5-Lite：より軽く、より速く、展開しやすい

论文插图

Yolov5で一連のアブレーション実験を実行して、より軽く（より小さなフロップ、メモリの低下、およびパラメーターを減らします）、より速く（チャッフルチャネル、Yolov5ヘッドをチャネル削減用に追加します。範囲）。

アブレーション実験結果の比較

id	モデル	input_size	フロップ	パラメージ	サイズ（m）	[email protected]	マップ@.5：0.95
001	ヨーロファースト	320×320	0.25g	0.35m	1.4	24.4	-
002	yolov5-lite _e ^us	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	Yolox _Nano	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^私たち	416×416	1.66g	1.64m	3.4	42.0	25.2
009	yolov5-lite _c^私たち	512×512	5.92g	4.57m	9.2	50.9	32.5
010	Nanodet-efficientLite2	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^私たち	640×640	15.6g	5.39m	10.9	57.6	39.1

wiki：https：//github.com/ppogg/yolov5-lite/wiki/test-the-map-of-odels-about-cocoを参照してください

さまざまなプラットフォームでの比較

装置	バックエンドのコンピューティング	システム	入力	フレームワーク	v5lite-e	v5lite-s	v5lite-c	v5lite-g	Yolov5s
インター	@i5-10210U	ウィンドウ（x86）	640×640	OpenVino	-	-	46ms	-	131ms
nvidia	@RTX 2080TI	Linux（x86）	640×640	トーチ	-	-	-	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	皮質A7@CPU 3.6TOPS @NPU	Linux（ARM64）	640×640	axpi	-	-	-	22ms	22ms

Raspberry Pi 4bの15fpsのチュートリアル：

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

上記は、4スレッドテストベンチマークです
raspberrypi 4b bf16s最適化、raspberrypi 64ビットOSを有効にします

QQ交流群：993965802

入群答案：剪枝または蒸馏または量化または低秩分解（任意其一均可）

・モデル動物園

@v5lite-e：

モデル	サイズ	バックボーン	頭	フレームワーク	のデザイン
v5lite-e.pt	1.7m	shufflenetv2（megvii）	v5litee-head	Pytorch	ARM-CPU
v5lite-e.bin v5lite-e.param	1.7m	shufflenetv2	v5litee-head	ncnn	ARM-CPU
v5lite-e-int8.bin v5lite-e-int8.param	0.9m	shufflenetv2	v5litee-head	ncnn	ARM-CPU
v5lite-e-fp32.mnn	3.0m	shufflenetv2	v5litee-head	MNN	ARM-CPU
v5lite-e-fp32.tnnmodel v5lite-e-fp32.tnnproto	2.9m	shufflenetv2	v5litee-head	TNN	ARM-CPU
v5lite-e-320.onnx	3.1m	shufflenetv2	v5litee-head	onnxruntime	X86-CPU

@v5lite-s：

モデル	サイズ	バックボーン	頭	フレームワーク	のデザイン
v5lite-s.pt	3.4m	shufflenetv2（megvii）	v5lites-head	Pytorch	ARM-CPU
v5lite-s.bin v5lite-s.param	3.3m	shufflenetv2	v5lites-head	ncnn	ARM-CPU
v5lite-s-int8.bin v5lite-s-int8.param	1.7m	shufflenetv2	v5lites-head	ncnn	ARM-CPU
v5lite-s.mnn	3.3m	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	3.4m	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	ARM-CPU
v5lite-s-fp32.tflite	6.7m	shufflenetv2	v5lites-head	tflite	ARM-CPU
v5lite-s-int8.tflite	1.8m	shufflenetv2	v5lites-head	tflite	ARM-CPU
v5lite-s-416.onnx	6.4m	shufflenetv2	v5lites-head	onnxruntime	X86-CPU

@V5Lite-C：

モデル	サイズ	バックボーン	頭	フレームワーク	のデザイン
v5lite-c.pt	9m	pplcnet（バイドゥ）	V5Sヘッド	Pytorch	X86-CPU / X86-VPU
v5lite-c.bin v5lite-c.xml	8.7m	pplcnet	V5Sヘッド	OpenVivo	X86-CPU / X86-VPU
v5lite-c-512.onnx	18m	pplcnet	V5Sヘッド	onnxruntime	X86-CPU

@v5lite-g：

モデル	サイズ	バックボーン	頭	フレームワーク	のデザイン
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	Tensort	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

ダウンロードリンク：

v5lite-e.pt ：| Baidu Drive | Googleドライブ|
|─＃ ncnn-fp16 Baidu Drive | Googleドライブ|
|─＃ ncnn-int8 Baidu Drive | Googleドライブ|
|─ mnn-e_bf16 Googleドライブ|
|─＃〜七スター。MNN mnn-d_bf16 ：| Googleドライブ|
└└└。- onnx-fp32 Baidu Drive | Googleドライブ|
v5lite-s.pt ：| Baidu Drive | Googleドライブ|
|─＃ ncnn-fp16 Baidu Drive | Googleドライブ|
|─＃ ncnn-int8 Baidu Drive | Googleドライブ|
└。- tengine-fp32 Baidu Drive | Googleドライブ|
v5lite-c.pt drive | Googleドライブ|
└└。- openvino-fp16 ：| Baidu Drive | Googleドライブ|
v5lite-g.pt ：| Baidu Drive | Googleドライブ|
└└。-七面に登録されています。Axpi axpi-int8 ：Google Drive |

Baiduドライブパスワード： pogg

V5Lite-Sモデル：Tflite Float32、Float16、Int8、Dynamic Range Quantization、ONNX、TFJS、TENSORT、OpenVino IR FP16、Myriad Inference Engin Blob、Coreml

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

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

使い方

インストール

python> = 3.6.0は、pytorch> = 1.7を含むすべての要件でインストールされています。

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

detect.pyの推論

detect.pyさまざまなソースで推論を実行し、最新のYolov5-Liteリリースからモデルを自動的にダウンロードし、結果を保存して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

トレーニング

$ 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

Multi-GPUを使用する場合。数回速くなります：

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

データセット

トレーニングセットとテストセット配布xx.jpgのパス

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

リンク：https：//github.com/ppogg/autolabelimg

LabelimgベースのYolov5-5.0およびYolov5-Liteを使用して、biubiubiu

モデルハブ

ここでは、Yolov5の元のコンポーネントとYolov5-Liteの再現されたコンポーネントが編成され、モデルハブに保存されています。

ModelHub

ヒートマップ分析

$ python main.py --type all

论文插图2

更新...

展開方法

ARM-CPUのNCNN

ARM-CPUのMNN

OpenVino X86-CPUまたはX86-VPU

ARM-GPUまたはARM-NPUまたはX86-GPUのTensort（C ++）

ARM-GPUまたはARM-NPUまたはX86-GPU用のTensort（Python）

ARM-CPUのAndroid

Android_demo

これはRedmi携帯電話で、プロセッサはSnapdragon 730G、Yolov5-Liteは検出に使用されます。パフォーマンスは次のとおりです。

リンク：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

新しいAndroidアプリ：[リンク] https://pan.baidu.com/s/1prhw4fi1jq8vbopyishciq [キーワード] pogg

より詳細な説明

詳細なモデルリンク：

Yolov5-Lite S/Eモデルとは：Zhihuリンク（中国語）：https：//zhuanlan.zhihu.com/p/400545131

Yolov5-Lite Cモデルとは：Zhihuリンク（中国）：https：//zhuanlan.zhihu.com/p/420737659

Yolov5-Lite Gモデルとは：Zhihuリンク（中国）：https：//zhuanlan.zhihu.com/p/410874403

FP16またはINT8でNCNNで展開する方法：CSDNリンク（中国語）：https：//blog.csdn.net/weixin_45829462/article/details/119787840

FP16またはINT8でMNNを展開する方法：Zhihuリンク（中国）：https：//zhuanlan.zhihu.com/p/672633849

onnxruntimeに展開する方法：zhihu link（中国語）：https：//zhuanlan.zhihu.com/p/476533259(oldバージョン）

Tensortで展開する方法：Zhihuリンク（中国）：https：//zhuanlan.zhihu.com/p/478630138

Tensortで最適化する方法：Zhihuリンク（中国）：https：//zhuanlan.zhihu.com/p/463074494

参照

https://github.com/ultralytics/yolov5

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

https://github.com/tencent/ncnn

Yolov5-liteを引用

あなたがあなたの研究でYolov5-Liteを使用している場合、私たちの仕事を引用して星を与えてください：

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

拡大する

追加情報