Yolo-Fastest 开源项目使用教程

Yolo-Fastest 开源项目使用教程

Yolo-Fastest :zap: Based on yolo's ultra-lightweight universal target detection algorithm, the calculation amount is only 250mflops, the ncnn model size is only 666kb, the Raspberry Pi 3b can run up to 15fps+, and the mobile terminal can run up to 178fps+ 项目地址: https://gitcode.com/gh_mirrors/yo/Yolo-Fastest

1. 项目介绍

Yolo-Fastest 是一个基于 YOLO 的超轻量级通用目标检测算法。它的计算量仅为 250 MFLOPS，NCNN 模型大小仅为 666 KB。该算法在 Raspberry Pi 3B 上可以达到 15 FPS 以上的运行速度，在移动终端上可以达到 178 FPS 以上的运行速度。Yolo-Fastest 专为 ARM 移动终端优化设计，支持 NCNN 推理框架，能够在 RK3399、Raspberry Pi 4b 等嵌入式设备上实现全实时 30 FPS 以上的性能。

2. 项目快速启动

2.1 环境准备

在开始之前，请确保您的系统已经安装了以下依赖：

• CMake
• OpenCV
• CUDA（可选，用于 GPU 加速）
• cuDNN（可选，用于 GPU 加速）

2.2 克隆项目

首先，克隆 Yolo-Fastest 项目到本地：

git clone https://github.com/dog-qiuqiu/Yolo-Fastest.git
cd Yolo-Fastest

2.3 编译项目

在项目根目录下，执行以下命令进行编译：

make

在编译之前，您可以根据需要修改 Makefile 中的选项，例如启用 GPU 加速、OpenCV 支持等。

2.4 运行示例

编译完成后，您可以运行以下命令来测试 Yolo-Fastest 的图像检测功能：

./darknet detector test cfg/coco.data cfg/yolo-fastest.cfg yolo-fastest.weights data/dog.jpg

3. 应用案例和最佳实践

3.1 嵌入式设备上的实时检测

Yolo-Fastest 特别适合在资源受限的嵌入式设备上运行。例如，在 Raspberry Pi 3B 上，Yolo-Fastest 可以实现每秒 15 帧以上的实时目标检测，非常适合用于智能家居、安防监控等场景。

3.2 移动终端上的高效检测

在移动终端上，Yolo-Fastest 可以实现每秒 178 帧以上的检测速度，适用于需要快速响应的应用场景，如实时视频分析、移动端目标检测等。

4. 典型生态项目

4.1 NCNN 推理框架

Yolo-Fastest 支持 NCNN 推理框架，NCNN 是由腾讯开源的一个针对移动平台优化的神经网络推理框架，能够在各种嵌入式设备上高效运行。

4.2 MNN 和 TNN

除了 NCNN，Yolo-Fastest 还可以与 MNN 和 TNN 等其他推理框架结合使用，进一步扩展其应用场景。

4.3 ONNX 和 TensorRT

对于需要更高性能的场景，Yolo-Fastest 可以转换为 ONNX 格式，并使用 TensorRT 进行加速，适用于 NVIDIA 的 GPU 设备。

通过以上步骤，您可以快速上手 Yolo-Fastest 项目，并在各种嵌入式和移动设备上实现高效的目标检测。

Yolo-Fastest :zap: Based on yolo's ultra-lightweight universal target detection algorithm, the calculation amount is only 250mflops, the ncnn model size is only 666kb, the Raspberry Pi 3b can run up to 15fps+, and the mobile terminal can run up to 178fps+ 项目地址: https://gitcode.com/gh_mirrors/yo/Yolo-Fastest