YOLOv4-tiny实战指南:从环境配置到实时检测

YoloV4-tiny网络结构搭建 二、定义Resblock_body结构 三、主干网络Backbone部分 四、YOLOv4-tiny网络结构的构建 1、构建卷积 + 上采样模块(共有一处) 2、yolo_head部分(有两个) 3、构建YoloBody reference Pytorch 搭建自己的YoloV4-tiny目标检测平台(Bubbliiiing 深度学习 教程)_哔哩哔哩_bilibili... 阅读详情

1. YOLOv4-tiny核心优势与适用场景

YOLOv4-tiny作为YOLO家族中的轻量级成员,专为资源受限环境设计。相比标准版YOLOv4,它的模型体积缩小了约80%(从244MB降至24MB),推理速度提升10倍以上(从27ms降至2.6ms)。这种性能表现使其成为边缘计算设备的理想选择,比如树莓派、Jetson Nano等开发板,以及需要实时处理的工业摄像头场景。

实际测试中,在GTX 1660显卡上,YOLOv4-tiny处理640x480分辨率视频能达到210FPS,而标准版仅有45FPS。虽然检测精度(mAP)从43.5%下降到29.7%,但在监控摄像头、无人机避障等对实时性要求高于精度的场景中,这个trade-off非常值得。我去年在智能货架项目中就采用YOLOv4-tiny,在Jetson Xavier NX上实现了30FPS的稳定检测。

提示:当你的应用场景满足以下条件时优先考虑YOLOv4-tiny:

  1. 硬件算力低于4GB显存
  2. 需要处理视频流且FPS>30
  3. 检测目标尺寸较大(占画面10%以上)

2. 环境配置实战指南

2.1 CUDA与cuDNN安装避坑

CUDA 11.4是目前最稳定的版本(截至2023年7月),与主流显卡驱动兼容性最好。安装时注意:

# 验证驱动兼容性
nvidia-smi  # 要求驱动版本>=470.57.02
# 安装CUDA(Ubuntu示例)
wget https://developer.download.nvidia.com/compute/cuda/repos/ubuntu2004/x86_64/cuda-ubuntu2004.pin
sudo mv cuda-ubuntu2004.pin /etc/apt/preferences.d/cuda-repository-pin-600
sudo apt-key adv --fetch-keys https://developer.download.nvidia.com/compute/cuda/repos/ubuntu2004/x86_64/3bf863cc.pub
sudo add-apt-repository "deb https://developer.download.nvidia.com/compute/cuda/repos/ubuntu2004/x86_64/ /"
sudo apt-get install cuda-11-4

cuDNN的安装需要特别注意版本匹配。以cuDNN 8.2.4为例:

tar -xzvf cudnn-11.4-linux-x64-v8.2.4.15.tgz
sudo cp cuda/include/cudnn*.h /usr/local/cuda/include
sudo cp cuda/lib64/libcudnn* /usr/local/cuda/lib64
sudo chmod a+r /usr/local/cuda/include/cudnn*.h /usr/local/cuda/lib64/libcudnn*

2.2 Darknet框架编译优化

修改Makefile关键参数时,建议这样配置:

GPU=1       # 启用GPU加速
CUDNN=1     # 启用cuDNN
CUDNN_HALF=1 # 在RTX 30系列及以上显卡启用半精度计算
OPENCV=1    # 启用OpenCV视频流支持
LIBSO=1     # 生成动态库供Python调用

编译时常见错误解决方案:

  • 错误:'cuda_runtime.h' not found
    添加环境变量:export CPATH=/usr/local/cuda/include:$CPATH
  • 错误:libcudart.so.11.0: cannot open shared object file
    执行:sudo ldconfig /usr/local/cuda/lib64

3. 模型部署与性能调优

3.1 权重文件部署技巧

官方提供的预训练权重有两个版本:

  • yolov4-tiny.weights(24MB):直接用于推理
  • yolov4-tiny.conv.29(6MB):用于迁移学习

下载后建议进行MD5校验:

# 官方校验值
md5sum yolov4-tiny.weights  # 应输出: 4a1f4e1a2b632b1c23516e8b085d3e34

3.2 实时检测参数调优

检测阈值与推理速度的关系实测数据:

阈值FPS显存占用适用场景
0.252101.2GB常规检测
0.52401.1GB高置信度场景
0.11801.4GB敏感目标检测

推荐启动参数:

./darknet detector demo cfg/coco.data cfg/yolov4-tiny.cfg yolov4-tiny.weights \
    -thresh 0.3 -dont_show -json_port 8070

4. 标准版与Tiny版深度对比

4.1 性能实测数据

在COCO数据集上的对比测试:

指标YOLOv4YOLOv4-tiny差异
mAP@0.543.5%29.7%-31%
推理速度(1080Ti)27ms2.6ms+10x
模型参数62M6M-90%
能耗比1.2FPS/W8.3FPS/W+7x

4.2 架构差异图解

YOLOv4-tiny的精简策略:

  1. 骨干网络:CSPDarknet53-tiny仅包含29个卷积层(原版53层)
  2. 检测头:采用单尺度预测(原版三尺度)
  3. 特征融合:取消SPP模块和PANet结构

架构对比图

5. 工业级应用案例

5.1 产线缺陷检测方案

某电子厂SMT贴片检测系统配置:

  • 硬件:Jetson AGX Xavier + 500万像素工业相机
  • 参数设置:
    ./darknet detector test cfg/smt.data cfg/yolov4-tiny-smt.cfg \
        weights/yolov4-tiny-smt_best.weights -thresh 0.35 -dont_show
    
  • 效果:
    • 检测速度:47FPS
    • 漏检率:<0.3%
    • 误检率:<1.2%

5.2 无人机避障系统优化

通过量化进一步提升性能:

# 使用TensorRT加速
trt_model = torch2trt(
    model, 
    [dummy_input],
    fp16_mode=True,
    max_workspace_size=1<<25
)

优化后性能提升:

  • 推理延迟从8.2ms降至3.7ms
  • 功耗从15W降至9W

6. 常见问题解决方案

Q:检测结果出现大量重复框
A:调整NMS阈值(在cfg文件中修改):

[yolo]
nms_threshold=0.45  # 原值0.6,可降至0.4

Q:GPU利用率低
尝试以下方法:

  1. 增加batch size(修改cfg中subdivisions=16为subdivisions=8)
  2. 启用异步推理:
    // 在darknet.cpp中添加
    cudaStream_t stream;
    cudaStreamCreate(&stream);
    network_predict_stream(network, input, stream);
    

Q:树莓派上运行崩溃
需要交叉编译ARM版本:

git clone https://github.com/digitalbrain79/darknet-nnpack.git
make ARM_NEON=1 -j4
Yolo v4系列学习(五)Yolov4-tiny 这几天,Alexey Bochkovskiy大神在Yolov4官网上更新了Yolov4-tiny!这对于计算资源相对紧张的开发者来说当然是福音啊。 这样的话,YOLO算法各个版本都有其对应的tiny版本了! 1、从如下网址下载最新版的darknetAB源码: https://github.com/AlexeyAB/darknet 2、下载Yolov4-tiny训练权重:Yolov4-tiny权重,将下载好的权重放到darknet目录下即可; 3、打开makefile文件,在编... 阅读详情

相关推荐

在树莓派4B上部署YOLOv7-tiny做实时目标检测:环境配置、模型转换与性能实测

本文详细介绍了在树莓派4B上部署轻量级目标检测模型YOLOv7-tiny的全流程,包括环境配置、模型转换与性能优化。通过PyTorch ARM兼容性解决方案、ONNX格式转换和量化压缩技术,实现在资源受限设备上的高效实时目标检测,适用于智能家居、工业质检等边缘计算场景。

weixin_33727510的博客 746

YOLOv4-tiny目标检测实战:训练自己的数据集

课程演示环境:Ubuntu   需要学习Windows系统YOLOv4-tiny的同学请前往《Windows版YOLOv4-tiny目标检测实战:训练自己的数据集》   YOLOv4-tiny来了!速度大幅提升!   YOLOv4-tiny在COCO上的性能可达到:40.2% AP50, 371 FPS (GTX 1080 Ti)。相较于YOLOv3-tiny,AP和FPS的性能有巨大提升。并且,YOLOv4-tiny的权重文件只有23MB,适合在移动端、嵌入式设备、边缘计算等设备上部署。   本课程将手把手地教大家使用labelImg标注和使用YOLOv4-tiny训练自己的数据集。课程实战分为两个项目:单目标检测(足球目标检测)和多目标检测(足球和梅西同时检测)。   本课程的YOLOv4-tiny使用AlexAB/darknet,在Ubuntu系统上做项目演示。包括:YOLOv4-tiny的网络结构、安装YOLOv4-tiny、标注自己的数据集、整理自己的数据集、修改配置文件、训练自己的数据集、测试训练出的网络模型、性能统计(mAP计算和画出PR曲线)和先验框聚类分析。     除本课程《YOLOv4-tiny目标检测实战:训练自己的数据集》外,本人推出了有关YOLOv4目标检测的系列课程。请持续关注该系列的其它视频课程,包括: 《YOLOv4目标检测实战:训练自己的数据集》 《YOLOv4目标检测实战:人脸口罩佩戴识别》 《YOLOv4目标检测实战:中国交通标志识别》 《YOLOv4目标检测:原理与源码解析》

基于OpenCV与YOLO的实时目标检测系统搭建指南

最近在辅导学生做计算机视觉相关的毕业设计时,发现很多同学对如何快速搭建一个可运行、有展示度的目标检测系统感到无从下手。网上资料虽然多,但往往零散不成体系,环境配置、代码调试、模型部署每一步都可能卡住很久。本文将围绕 OpenCV 和 YOLO 这两个核心工具,手把手带你完成一个 实时目标检测 的毕设项目。从环境搭建、代码编写、模型加载到实时视频流处理,我会提供完整的、可复现的代码和清晰的步骤解释。无论你是计算机、电子信息还是相关专业的学生,即使编程基础薄弱,也能跟着本文一步步实现属于自己的AI视觉应用,为你

weixin_29051193的博客 352

Windows版YOLOv4-tiny目标检测实战:训练自己的数据集

课程演示环境:Windows10 需要学习Ubuntus系统YOLOv4-tiny的同学请前往《YOLOv4-tiny目标检测实战:训练自己的数据集》   YOLOv4-tiny来了!速度大幅提升!   YOLOv4-tiny在COCO上的性能可达到:40.2% AP50, 371 FPS (GTX 1080 Ti)。相较于YOLOv3-tiny,AP和FPS的性能有巨大提升。并且,YOLOv4-tiny的权重文件只有23MB,适合在移动端、嵌入式设备、边缘计算设备上部署。   本课程将手把手地教大家使用labelImg标注和使用YOLOv4-tiny训练自己的数据集。课程实战分为两个项目:单目标检测(足球目标检测)和多目标检测(足球和梅西同时检测)。   本课程的YOLOv4-tiny使用AlexAB/darknet,在Windows10系统上做项目演示。包括:YOLOv4-tiny的网络结构、安装YOLOv4-tiny、标注自己的数据集、整理自己的数据集、修改配置文件、训练自己的数据集、测试训练出的网络模型、性能统计(mAP计算)和先验框聚类分析。     除本课程《Windows版YOLOv4-tiny目标检测实战:训练自己的数据集》外,本人推出了有关YOLOv4目标检测的系列课程。请持续关注该系列的其它视频课程,包括: 《Windows版YOLOv4目标检测实战:训练自己的数据集》 《Windows版YOLOv4目标检测实战:人脸口罩佩戴识别》 《Windows版YOLOv4目标检测实战:中国交通标志识别》 《Windows版YOLOv4目标检测:原理与源码解析》  

TensorFlow2深度学习实战(十八):目标检测算法YOLOv4-Tiny实战

手把手搭建YOLOv4-Tiny轻量级目标检测网络!

不积跬步,无以至千里! 5110

树莓派+OpenCV DNN实现目标检测与单目测距:电赛C题实战方案

计算机视觉技术正加速落地嵌入式场景,如何在有限算力设备上实现高效的目标检测与测距成为工程实践热点。深度学习模型推理通常依赖高算力平台,而树莓派这类嵌入式Linux设备凭借完整的生态和可接受的性能,成为平衡算法效果与部署成本的优选。单目测距基于小孔成像原理,通过像素焦距与目标物理尺寸的相似三角形关系,即可在无深度传感器的条件下估算距离。结合OpenCV DNN模块加载轻量级YOLO模型,可将目标检测与测距整合在统一流程中,广泛应用于智能小车、电赛控制类题目和边缘视觉测量场景。本文以2025电赛C题为背景,梳理

weixin_29161785的博客 276

jetson nano +yolov4-tiny使用tensorRT优化模型做到实时检测

在写这篇博客前,我使用yolov5+deepstream完成了在jetson nano上的部署,部署完成后检测帧率很低,然后查阅各种资料和论文,发现直接使用pytorch模型转化并不会优化jetson nano底层算法,然后我使用各种转化方法,把能用的算法几乎都用了,还是做不到实时检测(可能还是模型的问题),也尝试了yolov3 ,yolov4 ,最终效果都不是很好。 然后我看到一篇博主分享的博客(https://blog.youkuaiyun.com/ZeyiRTangent),使用yolov4-tiny+tenso

戚晨夕的博客 4430

踩坑ubuntu24.04 编译vtk9.3.1的安卓版本

NDK官方明确废弃了旧版 armeabi ABI,强制使用armeabi-v7a或arm64-v8a。错误信息显示你的构建系统仍在使用超级构建(superbuild)模式,并且内部引用了已不再支持的。生成的合并库: $(pwd)/libvtk_combined.a"超级构建过程可能内部未充分考虑现代NDK变化导致内部配置ARM老ABI,重复失败。echo "正在提取所有.o文件..."echo "合并前所有库的总大小:"# 提取所有.a文件中的.o文件。echo "创建合并库..."

zhangyihu321的专栏 1897

【亲测免费】 YOLOv4-Tiny-PyTorch 使用教程

YOLOv4-Tiny-PyTorch 是一个基于 PyTorch 框架的 YOLOv4-Tiny 目标检测模型的实现。YOLOv4-Tiny 是 YOLOv4 的轻量级版本,旨在提供更快的检测速度,适用于资源受限的设备,如嵌入式系统和移动设备。该项目提供了完整的源码,允许用户训练自己的模型并进行目标检测。 ## 项目快速启动 ### 环境配置 1. **安装 Python**:确保你已经安...

gitblog_01015的博客 1032

HALCON实战:用两个工业相机实现无缝大视野拼接(附完整代码与避坑指南)

本文详细介绍了使用HALCON软件实现双工业相机图像无缝拼接的完整解决方案,涵盖硬件配置、相机标定、坐标系转换和图像拼接等关键步骤。通过高精度标定和矩阵变换技术,可构建大视野检测系统,适用于液晶面板、PCB等工业检测场景,显著提升检测效率和精度。

weixin_29050513的博客 192

python提取图片中的文字写入excel文件,并打包为exe可执行文件

python提取图片中的文字写入excel文件,并打包为exe可执行文件

liqiang12689的博客 989

乡村爱情学 UML 类图:一文吃透继承、实现、组合、聚合、关联、依赖六种关系

**作者:小傅哥 | 关联文档:[docs/md/about/study/2020-10-18-UML类图还不懂?来看看这版乡村爱情类图,一把学会!.md](https://link.gitcode.com/i/02dbe35377964e4820aacdb1a8e60213)** > **导读**:UML(Unified Modeling Language,统一建模语言)是面向对象设计的建模工

gitblog_00418的博客 387

从入门到精通:LabVIEW全攻略

本文为 LabVIEW 全攻略指南,系统梳理从基础到高级的核心知识与应用技巧。首先介绍 LabVIEW 的图形化编程特性、数据流运行机制及开发环境,通过创建与调试 VI 的实操演示帮助入门。接着深入解析程序结构(循环、分支、顺序)、数据类型(数组、簇、波形)及图形显示技术(Graph、XY Graph 等)的原理与应用场景。高级部分涵盖多线程编程、错误处理、硬件通信及第三方工具集成等进阶技术,并针对程序逻辑、硬件适配、性能优化等常见问题提供排查与解决方案。

邓邓子的博客 3585

YOLOv7-Tiny实战:如何在树莓派上部署轻量级目标检测模型(附性能对比)

本文详细介绍了如何在树莓派上部署YOLOv7-Tiny轻量级目标检测模型,包括环境配置、模型优化、性能调优等全流程实战指南。通过量化、剪枝等技术,显著提升模型在树莓派上的实时目标检测性能,适用于嵌入式视觉应用场景。

plum99的博客 217

【Segment Anything Model】三:SAM模型微调自定义数据集,更改混合提示方式:点,框,点框混合

1.微调SAM预备知识。

cvxiayixiao的博客 1万+

从理论到实践:AI设备维护系统的架构实现

第一部分:理论基石——从设备维护的演进讲起,理解AI如何重塑维护模式;第二部分:架构设计——详解六层高可用系统架构,明确各层职责与技术选型;第三部分:核心技术——拆解数据处理、特征工程、模型训练、部署等关键环节的实现细节;第四部分:实践落地——8步流程带你从需求到上线,附代码示例与工具链;第五部分:案例研究——风电齿轮箱预测性维护系统的真实案例,从问题到方案再到效果;第六部分:挑战与展望——探讨当前技术瓶颈与未来趋势(数字孪生、联邦学习等)。准备好了吗?

大数据洞察的博客 1252

从零部署YOLOv7-Tiny到Jetson Nano:完整边缘设备优化指南(含TensorRT加速)

本文详细介绍了如何从零部署YOLOv7-Tiny到Jetson Nano,涵盖环境配置、模型转换、TensorRT加速及边缘设备优化技巧。通过轻量化模型和实时目标检测技术,帮助开发者在资源受限的边缘设备上实现高效推理,适用于智能安防、工业质检等场景。

m2n3o4p5的博客 401

【QGIS入门实战精品教程】4.2:QGIS矢量数据采集(地图数字化)案例教程

本文基于上一个实验栅格数据地理配准,讲述在QGIS中创建shp格式矢量数据(点、线、面)并进行矢量数据的采集与编辑。 文章目录一、实验数据及任务二、创建Shapefile图层三、数字化超详细步骤 一、实验数据及任务 1. 实验数据:为了保证实验的连贯性,本次实验采用的数据为上一个实验地理配准的结果数据,为配准后的甘肃省地图。 参考阅读:【QGIS入门实战精品教程】4.1:QGIS栅格数据地理配准完整操作流程 添加实验数据: 2. 实验任务:本实验任务为以配准后的甘肃省地图为底图,创建点状(地级市.

智慧空间实验室 3385

onnxruntime-inference-examples移动端部署终极教程:打造高性能AI应用

onnxruntime-inference-examples是一套基于ONNX Runtime的机器学习推理示例集合,专为移动端AI应用开发提供完整解决方案。本教程将带您快速掌握如何利用这些示例实现高性能AI模型在移动设备上的部署与优化,让您的应用具备强大的本地智能处理能力。 ## 📱 为什么选择ONNX Runtime进行移动端部署? ONNX Runtime作为跨平台的机器学习推理引擎,

gitblog_00096的博客 1033

从 30 天试用到企业级落地,2026 年学习和试用 SAP AI 的完整路线图

摘要:SAP AI产品体系存在试用版本与商业版本的边界模糊问题,需区分业务嵌入AI(如Joule)、开发者工具(SAP Build Code)和AI基础平台(Generative AI Hub)三个层级。建议学习路径:1)通过SAP Learning专区掌握理论框架;2)优先使用30天Generative AI Hub基础试用体验模型编排;3)结合90天BTP试用账户开发完整应用。特别注意免费计划已陆续停止,需以最新官方文档为准。开发者应重点关注AI如何与SAP技术栈(CAP、Fiori等)集成,而非单纯功

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 122

温度PID控制PLC程序

温度PID稳定控制程序,适用于欧姆龙PLC,对其他PLC也具有很大参考价值

【Jetson Nano 入门】环境配置汇总

文章目录前言一、镜像烧写二、PWM风扇自动调速三、使用MicroUSB在电脑打开终端四、VNC实现局域网及网线直连通信五、SSH文件传输六、状态监控软件Jtop七、检查CUDA、OpenCV及CUDNN八、USB摄像头测试软件Camorama九、CSI摄像头测试十、实现Yolov4-tiny的USB摄像头实时检测1.引入库2.读入数据总结 前言 最近需要用Jetson Nano实现Yolov4-tiny实时检测,这篇文章记录下自己的环境配置过程。 一、镜像烧写 本部分参考NVIDIA Jetson N.

Huih_cannot_fly的博客 3818

贝叶斯统计 [韦来生编]

贝叶斯(Bayes)统计是近几十年来迅速发展起来的数理统计的一个重要分支。贝叶斯方法与经典统计方法的主要不同之处是进行统计推断时除了利用样本信息外,还要利用参数的先验信息,因此可以提高统计推断或统计决策的效果。它在经济、金融、生物、医学、自然科学和社会科学等许多领域具有广泛的应用。贝叶斯方法的研究已渗透到了统计学的几乎所有领域。作者在给中国科学技术大学概率论与数理统计专业本科生开设的“数理统计”课程中有一章专门讲授“贝叶斯方法和统计决策理论”,近十年来也给中国科学技术大学概率统计专业研究生开设过几次“贝叶斯分析”课。本书是在对过去讲稿的内容作了适当的增减和调整的基础上完成的。  本书共分六章。第1章是绪论,介绍了贝叶斯统计的若干基本概念,同时对必要的数理统计的基础知识有重点地作了回顾。第二章介绍了确定先验分布的若干可供选择的方法。第三章介绍了几类常见统计模型参数的后验分布的主要结果和计算方法。第四章和第五章分别介绍了“贝叶斯统计推断”和“贝叶斯统计决策”的内容。第六章介绍了贝叶斯统计计算的若干方法,包括蒙特卡洛方法和马尔可夫链蒙特卡洛(MCMC)方法以及相关统计软件的简介。本书的每一章附右大量的例题和习题,书末附有常用的几个表格和部分习题解答供读者查用。  大约可在54学时内讲授本书的第1章至第六章的主要内容,教师可根据学时需要选讲本书第1章至第六章的部分内容。书中标“*”号的章节可略去不讲,留给读者作为阅读材料。第六章例题中的R代码和部分例题的数据文件等可从作者个人主页下载。  作者在编写本书的过程中参考了J.O.Berger教授的《统计决策论及贝叶斯分析》和茆诗松教授编写的《贝叶斯统计》等书中的一些内容,以及《贝叶斯分析》一书中由张伟平博士编写的有关贝叶斯统计计算的一些内容。在此表示衷心感谢。  本书编写准备过程中,中国科学技术大学统计与金融系的几个研究生帮助完成了本书部分中文的录入和排版,作者对他们的辛勤工作表示真诚的感谢。高等教育出版社为本书的出版给予了大力支持。在此一并致谢。

在树莓派4B上使用YOLO v3 Tiny进行实时目标检测

首先尝试使用yolo官网yolo给的教程,在树莓派上测试,但是在运行时出现段错误,尝试很多方法无法解决。在国外的网站找到darknet-nnpack这个东西,可以完美的在树莓派上运行。 参考的文章 darknet-nnpack https://github.com/zxzhaixiang/darknet-nnpack Fun of DIY http://funofdiy.blogspot.c...

weixin_43878078的博客 2万+

android 蓝牙通讯demo

android 下蓝牙通讯demo,实现了发现蓝牙,使能蓝牙,通过蓝牙发送消息。

LinePhone3.2.7(android端最新版本) sip客户端

SIP客户端For android:LinePhone3.2.7(最新版本),官网地址:http://www.linphone.org/

睿智的目标检测35——Pytorch搭建YoloV4-Tiny目标检测平台

睿智的目标检测35——Pytorch 搭建YoloV4-Tiny目标检测平台学习前言什么是YOLOV4-Tiny代码下载YoloV4-Tiny结构解析1、主干特征提取网络Backbone2、特征金字塔3、YoloHead利用获得到的特征进行预测4、预测结果的解码5、在原图上进行绘制YoloV4-Tiny的训练1、YOLOV4的改进训练技巧a)、Mosaic数据增强b)、Label Smoothing平滑c)、CIOUd)、学习率余弦退火衰减2、loss组成a)、计算loss所需参数b)、y_pre是什么c)

Bubbliiiing的学习小课堂 6万+

记录:复现Pytorch搭建YoloV4Tiny目标检测平台

站在各位dalao的肩膀上,记录和整理。 参考: 1、https://github.com/bubbliiiing/yolov4-tiny-pytorch 2、睿智目标检测35——Pytorch搭建YoloV4-Tiny目标检测平台 3、Pytorch 搭建自己的YoloV4目标检测平台(Bubbliiiing 深度学习 教程) 4、可视化yolov4-tiny和yolov4网络结构图 5、关于YOLOv3的一些细节 6、【论文理解】理解yolov3的anchor、置信度和类别概率 7、史上最详细的Yol.

weixin_41631106的博客 4097

睿智的目标检测34——Keras搭建YoloV4-Tiny目标检测平台

睿智的目标检测34——Keras 搭建YoloV4-Tiny目标检测平台学习前言什么是YOLOV4-Tiny代码下载YoloV4-Tiny结构解析1、主干特征提取网络Backbone2、特征金字塔3、YoloHead利用获得到的特征进行预测4、预测结果的解码5、在原图上进行绘制YoloV4-Tiny的训练1、YOLOV4的改进训练技巧a)、Mosaic数据增强b)、Label Smoothing平滑c)、CIOUd)、学习率余弦退火衰减2、loss组成a)、计算loss所需参数b)、y_pre是什么c)、y

Bubbliiiing的学习小课堂 1万+
上一篇: 避坑指南:ROS Noetic下rosbridge与内网穿透的常见问题及解决方案
下一篇: Unity打包exe全屏失效?解析PlayerSettings分辨率设置的隐藏陷阱
普通网友
博客等级 码龄27年 205粉丝 1502原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符  | 博主筛选后可见
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
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
实付元
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