YOLOv5 Lite 다운로드 YOLOv5 Lite 소스 코드 다운로드

YOLOv5 Lite

파이썬

v5-Lite-v1.5

다운로드

YOLOV5-LITE ： 가볍고 빠르며 배포하기 쉽습니다

论文插图

YOLOV5에서 일련의 절제 실험을 수행하여 더 가벼워지고 (작은 플롭, 낮은 메모리 및 더 적은 매개 변수) 및 더 빠르게 (셔플 채널을 추가하고, YOLOV5 헤드 추가 채널 감소. 320 × 320으로 프레임을 입력 할 때 프레임을 입력 할 때 Raspberry Pi 4B 이상을 추론 할 수 있음) (초점 운영을 배치하고, 4 개의 슬라이스를 유지하고, Four Slice Appour Curer)를 쉽게 배치하기가 더 쉽습니다. 범위).

절제 실험 결과의 비교

ID	모델	input_size	플롭	매개 변수	크기 (m) 크기 (m)	[email protected]	지도@.5 : 0.95
001	yolo fastest	320 × 320	0.25g	0.35m	1.4	24.4	-
002	Yolov5-lite _e ^우리	320 × 320	0.73g	0.78m	1.7	35.1	-
003	나노 렛 -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 _나노	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 ^우리	416 × 416	1.66g	1.64m	3.4	42.0	25.2
009	Yolov5- ^lite _c	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 ^우리	640 × 640	15.6g	5.39m	10.9	57.6	39.1

Wiki : https://github.com/ppogg/yolov5-lite/wiki/test-the-map-o-coco를 참조하십시오

다른 플랫폼에서 비교

장비	백엔드 컴퓨팅	체계	입력	뼈대	v5lite-e	v5lite-s	v5lite-c	v5lite-g	yolov5s
인터	@i5-10210u	창 (x86)	640 × 640	OpenVino	-	-	46ms	-	131ms
nvidia	@rtx 2080ti	리눅스 (x86)	640 × 640	토치	-	-	-	15ms	14ms
레드미 K30	@snapdragon 730g	안드로이드 (ARMV8)	320 × 320	NCNN	27ms	38ms	-	-	163ms
Xiaomi 10	@snapdragon 865	안드로이드 (ARMV8)	320 × 320	NCNN	10ms	14ms	-	-	163ms
Raspberrypi 4b	@arm Cortex-A72	리눅스 (ARM64)	320 × 320	NCNN	-	84ms	-	-	371ms
Raspberrypi 4b	@arm Cortex-A72	리눅스 (ARM64)	320 × 320	MNN	-	71ms	-	-	356ms
axera-pi	피질 A7@CPU 3.6tops @npu	리눅스 (ARM64)	640 × 640	axpi	-	-	-	22ms	22ms

Raspberry Pi 4B에 대한 15fps 튜토리얼 :

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

위는 4 스레드 테스트 벤치 마크입니다
Raspberrypi 4B 활성화 BF16S 최적화, Raspberrypi 64 비트 OS

QQ 交流群： 993965802

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

· 모델 동물원 ·

@v5lite-e :

모델	크기	등뼈	머리	뼈대	디자인
v5lite-e.pt	1.7m	Shufflenetv2 (megvii)	v5litee-head	Pytorch	팔 CPU
v5lite-e.bin v5lite-e.param	1.7m	Shufflenetv2	v5litee-head	NCNN	팔 CPU
v5lite-e-int8.bin v5lite-e-int8.param	0.9m	Shufflenetv2	v5litee-head	NCNN	팔 CPU
v5lite-e-fp32.mnn	3.0m	Shufflenetv2	v5litee-head	MNN	팔 CPU
v5lite-e-fp32.tnnmodel v5lite-e-fp32.tnnproto	2.9m	Shufflenetv2	v5litee-head	tnn	팔 CPU
v5lite-e-320.onnx	3.1m	Shufflenetv2	v5litee-head	onnxruntime	x86-cpu

@v5lite-s :

모델	크기	등뼈	머리	뼈대	디자인
v5lite-s.pt	3.4m	Shufflenetv2 (megvii)	v5lites-head	Pytorch	팔 CPU
v5lite-s.bin v5lite-s.param	3.3m	Shufflenetv2	v5lites-head	NCNN	팔 CPU
v5lite-s-int8.bin v5lite-s-int8.param	1.7m	Shufflenetv2	v5lites-head	NCNN	팔 CPU
v5lite-s.mnn	3.3m	Shufflenetv2	v5lites-head	MNN	팔 CPU
v5lite-s-int4.mnn	987K	Shufflenetv2	v5lites-head	MNN	팔 CPU
v5lite-s-fp16.Bin v5lite-s-fp16.xml	3.4m	Shufflenetv2	v5lites-head	오픈 생명	x86-cpu
v5lite-s-fp32.bin v5lite-s-fp32.xml	6.8m	Shufflenetv2	v5lites-head	오픈 생명	x86-cpu
v5lite-s-fp16.tflite	3.3m	Shufflenetv2	v5lites-head	tflite	팔 CPU
v5lite-s-fp32.tflite	6.7m	Shufflenetv2	v5lites-head	tflite	팔 CPU
v5lite-s-int8.tflite	1.8m	Shufflenetv2	v5lites-head	tflite	팔 CPU
v5lite-s-416.onnx	6.4m	Shufflenetv2	v5lites-head	onnxruntime	x86-cpu

@v5lite-c :

모델	크기	등뼈	머리	뼈대	디자인
v5lite-c.pt	9m	PPLCNET (Baidu)	v5s 헤드	Pytorch	X86-CPU / X86-VPU
v5lite-c.bin v5lite-c.xml	8.7m	pplcnet	v5s 헤드	오픈 생명	X86-CPU / X86-VPU
v5lite-c-512.onnx	18m	pplcnet	v5s 헤드	onnxruntime	x86-cpu

@v5lite-g :

모델	크기	등뼈	머리	뼈대	디자인
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 헤드	onnxruntime	x86-cpu
v5lite-g-640	7.1m	repvgg-yolov5	yolov5 헤드	axpi	ARM-NPU

다운로드 링크 ：

v5lite-e.pt : | 바이두 드라이브 | Google 드라이브 |
| ─퀴뇨 ─ ncnn-fp16 : | 바이두 드라이브 | Google 드라이브 |
| ─퀴 안은 ncnn-int8 : | 바이두 드라이브 | Google 드라이브 |
| 최고의 자리 유장 mnn-e_bf16 : | Google 드라이브 |
| 최고의 소요, mnn-d_bf16 : | Google 드라이브 |
onnx-fp32 : | 바이두 드라이브 | Google 드라이브 |
v5lite-s.pt : | 바이두 드라이브 | Google 드라이브 |
| ─퀴뇨 ─ ncnn-fp16 : | 바이두 드라이브 | Google 드라이브 |
| ─퀴 안은 ncnn-int8 : | 바이두 드라이브 | Google 드라이브 |
tengine-fp32 : | 바이두 드라이브 | Google 드라이브 |
v5lite-c.pt : 바이두 드라이브 | Google 드라이브 |
openvino-fp16 : | 바이두 드라이브 | Google 드라이브 |
v5lite-g.pt : | 바이두 드라이브 | Google 드라이브 |
axpi-int8 : Google 드라이브 |

바이두 드라이브 비밀번호 : pogg

V5Lite-S 모델 : Tflite float32, float16, int8, 동적 범위 양자화, Onnx, TFJS, Tensorrt, OpenVino IR FP32/FP16, 무수한 추론 Engin Blob, Coreml

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

pinto0309에 감사드립니다 : https : //github.com/pinto0309/pinto_model_zoo/tree/main/180_yolov5-lite

사용 방법

설치하다

Python> = 3.6.0은 모든 요구 사항에 따라 필요합니다 . TXT Pytorch> = 1.7을 포함하여 설치되었습니다.

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

탐지 .py에 대한 추론

detect.py 다양한 소스에서 추론을 실행하고 최신 Yolov5-Lite 릴리스에서 자동으로 모델을 다운로드하고 결과를 저장하여 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

훈련

$ 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

멀티 GPU를 사용하는 경우. 몇 번 더 빠릅니다.

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

데이터 세트

교육 세트 및 테스트 세트 분포 (xx.jpg가있는 경로)

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

자동 레이블 img

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

LabelIMG 기반 YOLOV5-5.0 및 YOLOV5-LITE를 사용하여 Autoannotate, Biubiubiu를 사용할 수 있습니다.

모델 허브

여기서, Yolov5의 원래 구성 요소와 Yolov5-lite의 재생산 성분은 모델 허브에 구성되고 저장됩니다.

ModelHub

히트 맵 분석

$ python main.py --type all

论文插图 2

업데이트 ...

배포하는 방법

ARM-CPU 용 NCNN

ARM-CPU 용 MNN

OpenVino X86-CPU 또는 X86-VPU

ARM-GPU 또는 ARM-NPU 또는 X86-GPU의 Tensorrt (C ++)

ARM-GPU 또는 ARM-NPU 또는 X86-GPU의 Tensorrt (Python)

ARM-CPU 용 안드로이드

Android_demo

이것은 Redmi 전화이며 프로세서는 Snapdragon 730g이며 Yolov5-Lite는 탐지에 사용됩니다. 성능은 다음과 같습니다.

링크 : https://github.com/ppogg/yolov5-lite/tree/mas

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

새로운 Android 앱 : [링크] https://pan.baidu.com/s/1prhw4fi1jq8vbopyishciq [키워드] pogg

보다 자세한 설명

자세한 모델 링크 :

YOLOV5-LITE S/E 모델은 무엇입니까? Zhihu Link (중국어) : https://zhuanlan.zhihu.com/p/400545131

YOLOV5-LITE C 모델은 무엇입니까? Zhihu Link (중국어) : https://zhuanlan.zhihu.com/p/420737659

Yolov5-Lite G 모델이란 무엇입니까? Zhihu Link (중국어) : https://zhuanlan.zhihu.com/p/410874403

fp16 또는 int8로 NCNN에 배포하는 방법 : CSDN 링크 (중국어) : https://blog.csdn.net/weixin_45829462/article/details/119787840

FP16 또는 int8로 MNN에 배포하는 방법 : Zhihu Link (중국어) : https://zhuanlan.zhihu.com/p/672633849

OnnxRuntime에 배포하는 방법 : Zhihu Link (중국어) : https://zhuanlan.zhihu.com/p/476533259(OLD 버전)

Tensorrt에 배포하는 방법 : Zhihu Link (중국어) : https://zhuanlan.zhihu.com/p/478630138

Tensorrt에서 최적화하는 방법 : Zhihu Link (중국어) : https://zhuanlan.zhihu.com/p/463074494

참조

https://github.com/ultralytics/yolov5

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

https://github.com/tencent/ncnn

Yolov5-Lite 인용

연구에서 Yolov5-Lite를 사용하는 경우, 우리의 작품을 인용하고 별을주십시오.

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

확장하다

추가 정보

버전 v5-Lite-v1.5
유형 파이썬
업데이트 시간 2025-07-11
크기 10.44MB
출처 Github

YOLOv5 Lite

YOLOV5-LITE ： 가볍고 빠르며 배포하기 쉽습니다

절제 실험 결과의 비교

다른 플랫폼에서 비교

Raspberry Pi 4B에 대한 15fps 튜토리얼 :

QQ 交流群： 993965802

· 모델 동물원 ·

@v5lite-e :

@v5lite-s :

@v5lite-c :

@v5lite-g :

다운로드 링크 ：

V5Lite-S 모델 : Tflite float32, float16, int8, 동적 범위 양자화, Onnx, TFJS, Tensorrt, OpenVino IR FP32/FP16, 무수한 추론 Engin Blob, Coreml

pinto0309에 감사드립니다 : https : //github.com/pinto0309/pinto_model_zoo/tree/main/180_yolov5-lite

사용 방법

배포하는 방법

Android_demo

보다 자세한 설명

자세한 모델 링크 :

참조

Yolov5-Lite 인용

Office Lite

yolov5

라이트 라이트 소프트웨어

UC 라이트

QCMS 리틀

ActualAnalyzer 라이트

chat.petals.dev

GPT Prompt Templates

GPTyped

ToDo Co

Python Portfolio

Redash 오픈 소스 데이터 차트 도구 v24.10.0

Google Dorks

shepherd

mongo express

YOLOv5 Lite

YOLOV5-LITE ： 가볍고 빠르며 배포하기 쉽습니다

절제 실험 결과의 비교

다른 플랫폼에서 비교

Raspberry Pi 4B에 대한 15fps 튜토리얼 :

QQ 交流群 ： 993965802

· 모델 동물원 ·

@v5lite-e :

@v5lite-s :

@v5lite-c :

@v5lite-g :

다운로드 링크 ：

V5Lite-S 모델 : Tflite float32, float16, int8, 동적 범위 양자화, Onnx, TFJS, Tensorrt, OpenVino IR FP32/FP16, 무수한 추론 Engin Blob, Coreml

pinto0309에 감사드립니다 : https : //github.com/pinto0309/pinto_model_zoo/tree/main/180_yolov5-lite

사용 방법

배포하는 방법

Android_demo

보다 자세한 설명

자세한 모델 링크 :

참조

Yolov5-Lite 인용

QQ 交流群： 993965802