python用opencv的dnn模块实现Yolo-Fastest 循环目标检测
思路来自于这篇blog：https://blog.csdn.net/nihate/article/details/108670542
什么是 opencv的dnn模块
什么是 Yolo-Fastest
仓库地址：https://github.com/dog-qiuqiu/Yolo-Fastest
中文介绍：https://zhuanlan.zhihu.com/p/234506503
Yolo-Fastest，顾名思义，应该是现在已知开源最快的最轻量的改进版yolo通用目标检测算法（貌似也是现在通用目标检测算法中最快最轻量的），其实初衷就是打破算力的瓶颈，能在更多的低成本的边缘端设备实时运行目标检测算法，例如树莓派3b，4核A53 1.2Ghz，在最新基于NCNN推理框架开启BF16s，320x320图像单次推理时间在60ms～，而在性能更加强劲的树莓派4b，单次推理33ms，达到了30fps的全实时。而相比较下应用最广泛的轻量化目标检测算法MobileNet-SSD要在树莓派3b跑200ms左右，Yolo-Fastest速度整整要快3倍+，而且模型才只有1.3MB，而MobileNet-SSD模型达到23.2MB，Yolo-Fastest整整比它小了20倍，当然这也是有代价的，在Pascal voc上的map，MobileNet-SSD 是72.7，Yolo-Fastest是61.2，带来了接近10个点的精度损失，当然孰轻孰重，大家都有各自的想法。其实大家一般的检测任务本身不会像VOC那样检测20类那么多那么复杂，一般都是几类甚至单类检测，那么这样对于模型本身学习能力要求没那么高，因为本身类别越多样本不平衡的问题越大，越影响模型本身的性能。
实时检测demo供参考
上面链接的博主给的代码实现了单张图片的检测。自己写了一个视频/摄像头实时检测的demo。
仓库地址： https://gitee.com/hardychenlong/raspberry-pie4b-yolo-detection
环境需要 python 的 opencv4，模型很小，有1M的，3M的，牺牲一些准确度提高识别速度，可以快速部署在移动端或者想树莓派这样的设备上。
本人在2020/11/27 ，使用 python3.7.9，PC上测试成功，opencv版本4.4.0，如果用opencv3的据开头blog的说法好像会报错。
Python 3.7.9 (default, Aug 31 2020, 17:10:11) [MSC v.1916 64 bit (AMD64)] :: Anaconda, Inc. on win32
Type "help", "copyright", "credits" or "license" for more information.
>>> import cv2
>>> cv2.__version__
'4.4.0'
>>>
效果如下：
小结
之后可以配合检测结果做出其他的功能，例如发送提示消息等。
版权声明：本文为CSDN博主「HardyDragon_CC」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/qq_44880154/article/details/110247885
暂无评论