训练FastestDet(Anchor-Free、参数量仅0.24M、计算量0.9GFLOPs),稍改代码使得符合YOLO数据集排布

0 参考链接

1 准备数据

我已有的数据集排布:(符合YOLO排布)

dataset:.
├─images
│  ├─test
│  │  ├─xxx.jpg
│  │  ├─xxx.jpg
│  ├─train
│  └─val
├─labels
│  ├─test
│  │  ├─xxx.txt
│  │  ├─xxx.txt
│  ├─train
│  └─val

1.1 使用以下代码生成绝对路径的txt文件

  • root_dir:数据集根目录
  • save_dir:存储目录
  • 结果:生成3个txt文件abspath_xxx.txt
import os

if __name__ == '__main__':
    root_dir = r'F:/A_Publicdatasets/RDD2020-1202/train_valid/RDD2020_together/images'
    save_dir = 'F:/A_Publicdatasets/RDD2020-1202/train_valid/RDD2020_together/'

    for s in ['train', 'val', 'test']:
        save_path = f'{
     
     save_dir}/abspath_{
     
     s}.txt'
        with open(save_path, 'w') as f:
            for 
### YOLO 经典模型的参数量GFLOPS 对比 YOLO系列的不同版本在网络结构上有显著差异,这些变化直接影响到模型的参数数量以及计算复杂度(GFLOPS)。 #### YOLO v1 参数量GFLOPS YOLO v1作为最早的版本,在设计上较为简单。该网络由24个卷积层组成,后面接有2个全连接层用于预测。由于其相对浅显的设计,YOLO v1具有较少的参数量大约为50M左右,而GFLOPS约为70亿次浮点运算[^1]。 #### YOLO v2 (YOLO9000) 参数量GFLOPS YOLO v2引入了许多进措施来提高检测精度并减少计算成本。通过采用Darknet-19骨干网替代原有的架构,使得整体参数量有所下降至约68M,并且GFLOPS也相应减小到了约310亿次浮点运算。 #### YOLO v3 参数量GFLOPS 进一步优化后的YOLO v3采用了更加复杂的特征提取器——Darknet-53,这增加了模型深度的同时保持较低的参数总量接近70M;然而因为多尺度预测机制的存在,导致实际运行时所需的GFLOPS上升至约1000亿次浮点运算以上。 #### YOLOX 参数量GFLOPS 不同于传统YOLO家族成员的是,YOLOX不继承和发展了之前版本的优点还进行了许多创新性的动如使用解耦头(decoupled head),这种变有助于减轻不同任务之间的干扰进而提升效率。具体来说,YOLOX nano拥有极低的参数数目(小于1M),同时GFLOPS也非常少只有几亿级别;而对于较大的变体比如m/n/s/x等,则会根据各自特点调整相应的规模以满足不同的应用场景需求。 ```python import pandas as pd data = { &#39;Model&#39;: [&#39;YOLO v1&#39;, &#39;YOLO v2&#39;, &#39;YOLO v3&#39;, &#39;YOLOX Nano&#39;], &#39;Parameters(M)&#39;: [50, 68, 70, &#39;<1&#39;], &#39;GFLOPS(Billions)&#39;: [7, 31, 100, &#39;~Few&#39;] } df = pd.DataFrame(data) print(df.to_markdown(index=False)) ``` | Model | Parameters(M) | GFLOPS(Billions) | |--------------|---------------|------------------| | YOLO v1 | 50 | 7 | | YOLO v2 | 68 | 31 | | YOLO v3 | 70 | 100 | | YOLOX Nano | <1 | ~Few |
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

孟孟单单

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值