microYOLO:面向微控制器的单次目标检测
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
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
本文介绍了一种基于YOLOV2算法的实时目标检测模型YOLO-LITE,该模型可以在无GPU设备上运行,经过在Pascal VOC和COCO数据集的训练,在7层、482亿次浮点运算下达到了大约21 FPS的检测速度,比最快的现有模型SSD MobilenetV1快3.8倍,从而提高了实时目标检测的可访问性。
Nov, 2018
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
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
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
通过在4个不同的数据集和4个不同的嵌入式硬件平台(x86 CPU,ARM CPU,Nvidia GPU,NPU)上进行公平、可控的比较,收集了550多个基于YOLO的目标检测模型的准确性和延迟数据,并通过帕累托优化分析表明,基于YOLO系列的多种架构都可在准确性和延迟之间取得良好的平衡,包括YOLOv3和YOLOv4等旧模型。在YOLOBench上评估了神经架构搜索中的无成本准确性估计器,并证明虽然大多数最先进的零成本准确性估计器被简单的基准(如MAC计数)超越,但其中一些可以有效地用于预测帕累托最优的检测模型。通过在树莓派4 CPU上使用零成本代理,展示了一种与最先进的YOLOv8模型具有竞争力的YOLO架构。
Jul, 2023
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
基于 State Space Models 的 Mamba-YOLO 目标检测模型通过优化 SSM 和引入 LSBlock 和 RGBlock 模块,在 COCO 和 VOC 数据集上实验证明,其在性能和竞争力方面均超过了现有的 YOLO 系列模型,展示了其巨大的潜力和竞争优势。
Jun, 2024
PowerYOLO是一种混合精度解决方案,通过使用动态视觉传感器、Powers-of-Two量化和批量归一化融合方案,将内存复杂性减少近8倍,实现了对GEN1 DVS数据集mAP为0.301的高准确性,成为了新的技术标准。
Jul, 2024