YOLOv5 Lite Download - YOLOv5 Lite Código Fonte Download

YOLOv5 Lite

Pitão

v5-Lite-v1.5

Baixar

Yolov5-Lite: Mais leve, mais rápido e mais fácil de implantar

论文插图

Realize uma série de experimentos de ablação no YOLOV5 para torná -lo mais leve (flops menores, memória inferior e menos parâmetros) e mais rápido (adicione canal de shuffle, cabeça de Yolov5 para reduzir o canal. Ele pode inferir pelo menos 10 qps no Raspberry Pi 4b quando a estrutura com 320 × 320) e é mais fácil de implementar (remover o Raspbert 4b quando a estrutura de 320 × 320) e é mais fácil para implementar (remover o Rasping Pi 4b, com 320 × 320) e é mais fácil para implementar (remover o Rasping Removing (é de 320 × 320) e é mais fácil para implementar (remover o Rasping Removing, com o quadro de 320 × 320) e é mais fácil para implementar (remover o Rasping Removing (é mais fácil de ser o slor. faixa aceitável).

imagem

Comparação dos resultados do experimento de ablação

EU IA	Modelo	Input_size	Flops	Params	Tamanho （M)	[email protected]	[email protected]: 0.95
001	YOLO-FAST	320 × 320	0,25g	0,35m	1.4	24.4	-
002	Yolov5-Lite _E ^{O nosso}	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 pequeno	416 × 416	6.96g	6.06m	23.0	33.1	16.6
007	Yolov4 pequeno	416 × 416	5.62g	8,86m	33.7	40.2	21.7
008	Yolov5-Lite _S ^OUS	416 × 416	1.66g	1,64m	3.4	42.0	25.2
009	Yolov5-lite _C ^{O nosso}	512 × 512	5.92g	4,57m	9.2	50.9	32.5
010	Nanodet-eficientelite2	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 ^nosso	640 × 640	15.6g	5.39m	10.9	57.6	39.1

Veja o Wiki: https://github.com/pogg/yolov5-lite/wiki/test-the-map-of-models-about-coco

Comparação em diferentes plataformas

Equipamento	Back -end da computação	Sistema	Entrada	Estrutura	v5lite-e	v5lite-s	v5lite-c	v5lite-g	Yolov5s
Inter	@I5-10210U	Janela (x86)	640 × 640	Openvino	-	-	46ms	-	131ms
Nvidia	@Rtx 2080ti	Linux (x86)	640 × 640	tocha	-	-	-	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

O tutorial de 15fps no Raspberry Pi 4b:

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

O acima é um benchmark de teste de 4 threads
Raspberrypi 4b Ativar otimização BF16S ， Raspberrypi 64 bits OS

QQ 交流群: 993965802

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

· Modelo Zoológico ·

@v5lite-e:

Modelo	Tamanho	Espinha dorsal	Cabeça	Estrutura	Design para
v5lite-e.pt	1,7m	shufflenetv2 （megvii）	V5litee-cabeça	Pytorch	ARM-CPU
v5lite-e.bin v5lite-e.param	1,7m	shufflenetv2	V5litee-cabeça	ncnn	ARM-CPU
v5lite-e-int8.bin v5lite-e-int8.param	0,9m	shufflenetv2	V5litee-cabeça	ncnn	ARM-CPU
v5lite-e-fp32.mnn	3,0m	shufflenetv2	V5litee-cabeça	mnn	ARM-CPU
v5lite-e-fp32.tnnmodel v5lite-e-fp32.tnnproto	2,9m	shufflenetv2	V5litee-cabeça	tnn	ARM-CPU
v5lite-e-320.onnx	3,1m	shufflenetv2	V5litee-cabeça	OnnxRuntime	x86-cpu

@v5lite-s:

Modelo	Tamanho	Espinha dorsal	Cabeça	Estrutura	Design para
v5lite-s.pt	3,4m	shufflenetv2 （megvii）	v5lites-cabeça	Pytorch	ARM-CPU
v5lite-s.bin v5lite-s.param	3,3m	shufflenetv2	v5lites-cabeça	ncnn	ARM-CPU
v5lite-s-int8.bin v5lite-s-int8.param	1,7m	shufflenetv2	v5lites-cabeça	ncnn	ARM-CPU
v5lite-s.mnn	3,3m	shufflenetv2	v5lites-cabeça	mnn	ARM-CPU
v5lite-s-int4.mnn	987K	shufflenetv2	v5lites-cabeça	mnn	ARM-CPU
v5lite-s-fp16.bin v5lite-s-fp16.xml	3,4m	shufflenetv2	v5lites-cabeça	OpenVivo	x86-cpu
v5lite-s-fp32.bin v5lite-s-fp32.xml	6,8m	shufflenetv2	v5lites-cabeça	OpenVivo	x86-cpu
v5lite-s-fp16.tflite	3,3m	shufflenetv2	v5lites-cabeça	tflite	ARM-CPU
v5lite-s-fp32.tflite	6.7m	shufflenetv2	v5lites-cabeça	tflite	ARM-CPU
v5lite-s-int8.tflite	1,8m	shufflenetv2	v5lites-cabeça	tflite	ARM-CPU
v5lite-s-416.onnx	6.4m	shufflenetv2	v5lites-cabeça	OnnxRuntime	x86-cpu

@v5lite-c:

Modelo	Tamanho	Espinha dorsal	Cabeça	Estrutura	Design para
v5lite-c.pt	9m	PPLCNet （Baidu)	V5S-cabeça	Pytorch	x86-cpu / x86-vpu
v5lite-c.bin v5lite-c.xml	8.7m	PplcNet	V5S-cabeça	OpenVivo	x86-cpu / x86-vpu
v5lite-c-512.onnx	18m	PplcNet	V5S-cabeça	OnnxRuntime	x86-cpu

@v5lite-g:

Modelo	Tamanho	Espinha dorsal	Cabeça	Estrutura	Design para
v5lite-g.pt	10,9m	Repvgg （tsinghua）	V5liteg-cabeça	Pytorch	x86-gpu / arm-gpu / braç-npu
v5lite-g-int8.engine	8,5m	Repvgg-yolov5	V5liteg-cabeça	Tensorrt	x86-gpu / arm-gpu / braç-npu
v5lite-g-int8.tmfile	8.7m	Repvgg-yolov5	V5liteg-cabeça	Tengine	ARM-NPU
v5lite-g-640.onnx	21m	Repvgg-yolov5	Yolov5-cabeça	OnnxRuntime	x86-cpu
v5lite-g-640.JONT	7.1m	Repvgg-yolov5	Yolov5-cabeça	AXPI	ARM-NPU

Link para download:

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

Senha da unidade Baidu: pogg

V5lite-S Modelo: Tflite Float32, Float16, Int8, Quantização de Ranco Dinâmico, Onnx, TFJS, Tensorrt, Openvino Ir Fp32/FP16, Inícita de Inferência de Inferência Blob, Coreml

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

Obrigado pelo Pinto0309: https: //github.com/pinto0309/pinto_model_zoo/tree/main/180_yolov5-lite

Como usar

Instalar

Python> = 3.6.0 é necessário com todos os requisitos.txt instalado, incluindo pytorch> = 1.7 :

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

Inferência com detect.py

detect.py executa a inferência em uma variedade de fontes, baixando modelos automaticamente a partir da versão mais recente do Yolov5-Lite e salvando resultados para 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

Treinamento

$ 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

Se você usar multi-GPU. É mais rápido várias vezes:

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

Conjunto de dados

Conjunto de treinamento e distribuição do conjunto de testes （O caminho com 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/pogg/autolabelimg

Você pode usar o LABELIMG baseado em Yolov5-5.0 e Yolov5-Lite para Autoannotate, BiubiubiU

Modelo Hub

Aqui, os componentes originais do Yolov5 e os componentes reproduzidos do Yolov5-Lite são organizados e armazenados no cubo do modelo:

ModelHub

Análise de mapa de calor

$ python main.py --type all

论文插图 2

Atualizando ...

Como implantar

NCNN para ARM-CPU

MNN para Arm-CPU

Openvino x86-cpu ou x86-vPU

Tensorrt (C ++) para ARM-GPU ou ARM-NPU ou X86-GPU

Tensorrt (Python) para ARM-GPU ou ARM-NPU ou X86-GPU

Android para Arm-CPU

Android_Demo

Este é um telefone Redmi, o processador é o Snapdragon 730G e o Yolov5-Lite é usado para detecção. O desempenho é o seguinte:

Link: https://github.com/pogg/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

Novo App Android: [link] https://pan.baidu.com/s/1prhw4fi1jq8vbopyishciq [palavra -chave] Pogg

Explicação mais detalhada

Link detalhado do modelo:

O que é Yolov5-Lite S/E Modelo: Zhihu Link (chinês): https://zhuanlan.zhihu.com/p/400545131

O que é Yolov5-Lite C Modelo: Zhihu Link (chinês): https://zhuanlan.zhihu.com/p/420737659

O que é Yolov5-Lite G Modelo: Zhihu Link (chinês): https://zhuanlan.zhihu.com/p/410874403

Como implantar no NCNN com fp16 ou int8: link csdn (chinês): https://blog.csdn.net/weixin_45829462/article/details/119787840

Como implantar no MNN com fp16 ou int8: zhihu link (chinês): https://zhuanlan.zhihu.com/p/672633849

Como implantar no OnNxRuntime: Zhihu Link (chinês): https://zhuanlan.zhihu.com/p/476533259 versão)

Como implantar no Tensorrt: Zhihu Link (chinês): https://zhuanlan.zhihu.com/p/478630138

Como otimizar em Tensorrt: Zhihu Link (chinês): https://zhuanlan.zhihu.com/p/463074494

Referência

https://github.com/ultralytics/yolov5

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

https://github.com/tencent/ncnn

Citando Yolov5-Lite

Se você usar o Yolov5-Lite em sua pesquisa, cite nosso trabalho e dê uma estrela:

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

Expandir

Informações adicionais

Versão v5-Lite-v1.5
Tipo Pitão
Data da Última Atualização 2025-07-11
tamanho 10.44MB
Vindo de Github

Aplicativos Relacionados

Office Lite

2024-11-13
yolov5

2024-11-01
Software Light Lite

2023-07-11
UC Lite

2023-06-04
QCMS POUCO

2012-03-10
ActualAnalyzer Lite

2009-04-29

Recomendado para você

chat.petals.dev

Outro código-fonte

1.0.0
GPT Prompt Templates

Outro código-fonte

1.0.0
GPTyped

Outro código-fonte

GPTyped 1.0.5
ToDo Co

Pitão

1.0.0
Python Portfolio

Pitão
Ferramenta de gráfico de dados de código aberto Redash v24.10.0

Pitão

24.10.0
Google Dorks

Outro código-fonte

1.0
shepherd

Outro código-fonte

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

Outro código-fonte

v1.1.0-rc-3

Informações Relacionadas Todos