Jul, 2023

Q-YOLO：实时目标检测的高效推理

PDF
TL;DR本研究描述了一种低位量化方法来构建一个高效的单级检测器，称为 Q-YOLO，有利于在资源受限的边缘设备上部署目标检测模型，从而实现减少计算和内存开销的实时检测。
real-time object detectioncomputer visionlow-bit quantizationpost-training quantizationefficient deployment
发现论文，激发创造
  • REQ-YOLO: 面向 FPGA 目标检测的资源感知，高效量化框架

    本文提出了 REQ-YOLO，一种资源感知的系统化权重量化框架，以达到实时、高效实现对象检测的目的。采用块循环矩阵方法和交替方向乘子法，同时提供详细的硬件实现和设计优化，并呈现实验结果证明该框架可以显著压缩 YOLO 模型，同时引入极小的精度降低。

    Sep, 2019

  • YOLOv10：实时端到端物体检测

    通过消除非极大值抑制（NMS）的依赖性和综合优化 YOLOs 的各个组件，本研究提出了一种新一代的实时端到端目标检测模型 YOLOv10，其在性能和效率方面均取得了最新的成果。

    May, 2024

  • You Only Look Once: 统一、实时目标检测

    YOLO 是一种新的目标检测方法，使用单个神经网络从完整图像中直接预测边界框和类别概率，具有实时处理速度、误检低和物体的通用表示等优势。

    Jun, 2015

  • TinyissimoYOLO: 一种量化、低内存占用、适用于低功耗微控制器的小型机器学习目标检测网络

    TinyissimoYOLO 是一种高度灵活、量化、内存高效、超轻量级的目标检测网络，旨在实现毫瓦级嵌入式微控制器上的实时目标检测；通过量化网络架构实现实时目标检测，最多支持 3 个对象检测类，并可用于不同型号的微控制器。

    May, 2023

  • 快速 YOLO: 一种实时嵌入式视频目标检测仅需一次看图系统

    本文提出了一种名为 Fast YOLO 的新框架，通过深度智能进化框架优化了 YOLOv2 网络架构并将运动自适应推理方法引入，从而在保持性能的同时，在嵌入式设备上实现实时物体检测。实验结果表明，Fast YOLO 框架可以在平均 3.3 倍的速度加速下，将嵌入式系统上的检测性能提高到 18FPS。

    Sep, 2017

  • Q-YOLOP：面向全景驾驶感知的量化感知 You Only Look Once

    通过提出一种高效的量化感知网联驾驶模型（Q- YOLOP）来实现目标检测、可行驶区域分割、车道线分割，其采用高效层聚合网络（ELAN）作为主干，并在 BDD100K 数据集上具有在 [email protected] 为 0.622 的最新性能和分割的 mIoU 为 0.612，同时保持较低的计算和内存要求。

    Jul, 2023

  • PP-YOLO: 目标检测器的有效而高效的实现

    该论文开发了一种基于 YOLOv3 的新型目标检测器 PP-YOLO，通过结合多种现有技巧，实现了相对平衡的效果和效率，其准确率达到了 45.2％mAP，帧率为 72.9FPS。

    Jul, 2020

  • 低功耗物体检测的系统级解决方案

    本文提出了一种面向异构嵌入式设备的高效物体检测系统解决方案，其中包括量化网络和专门的加速器，并采用分组数据流策略将计算密集型的卷积操作映射到加速器中以提高效率。研究结果显示，在 512x512 输入大小的实际监控视频中，该系统的推理速度可以达到 18 FPS，功耗仅为 6.9W，并在 PASCAL VOC 2012 数据集上实现了 66.4 的 mAP。

    Sep, 2019

  • YOLO-MS：实时物体检测的多尺度表示学习再思考

    提供高效且表现良好的目标检测器 YOLO-MS, 基于对不同核大小的卷积如何影响不同尺度物体的检测性能进行一系列研究来实现。新的策略能够大大增强实时目标检测器的多尺度特征表示。在 MS COCO 数据集上训练的 YOLO-MS, 不依赖于其他大规模数据集或预训练权重，在相同参数和 FLOPs 数量下，优于最近的实时目标检测器，包括 YOLO-v7 和 RTMDet。

    Aug, 2023

  • YOLOv6: 面向工业应用的单阶段物体检测框架

    本技术报告介绍了 YOLOv6 的开发和部署，该模型包括最新的网络设计、训练策略、测试技术、量化和优化方法，可适用于不同规模的应用场景，并在各种硬件平台上表现出色。

    Sep, 2022