RK3399平台开发系列讲解（系统篇）1.26、目标检测模型Nanodet的训练和转换总结

最新推荐文章于 2025-07-24 09:53:47 发布
最新推荐文章于 2025-07-24 09:53:47 发布
阅读量2.1k 收藏 20
点赞数 17
CC 4.0 BY-SA版权
分类专栏： RK3399平台开发入门到精通系列专栏 # 子类__Android # 子类__项目
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/qq_33487044/article/details/81782240
本文档详细介绍了轻量级目标检测模型Nanodet的训练、转换和使用过程。Nanodet基于FCOS+GFL的Anchor-free结构，提供高效性能。通过修改训练参数、数据集配置进行训练，最终将模型转换为ncnn格式供移动端使用。

文章目录

第一章文档介绍

本文档描述了轻量级目标检测模型Nanodet的训练和转换过程。目前各项目都会使用到目标检测模型来检测图像中的目标，虽然当前使用的Mobilenet SSD或者InceptionV2 SSD都是改进过的适合终端加速的网络，但是相对模型计算量和参数量还是比较大，在BSD、DSM和ADAS多个算法融合的AI小板上，算力还是捉襟见肘，在CPU上推理性能更是无法达到要求，为了找到更为小巧又不失精度的替代模型，我们训练并测试了2020年开源的Nanodet模型，此处记录了模型训练和转换的过程。

第二章模型简介

2.1.Nanodet模型结构

在这里插入图片描述
Nanodet模型结构：
Backbone ShuffleNetV2 1.0x 在相比Mobilenet等网络，精度相似体积小
Neck 改进的FPN特征金字塔(Feature Pyramid Networks for Object Detection)</
了解本专栏 订阅专栏 解锁全文
20、NanoDet训练、测试 以及使用ncnn部署Jetson Nano 进行目标检测和串口数据转发
sxj731533730
02-25 6886
基本思想：最近想尝试一下nano 上部署nanodet，于是记录一下训练过程，手中有一份labelme标注的数据集，于是开始了一波操作~ 首先将图片和json数据集转成xml (https://blog.csdn.net/sxj731533730/article/details/90046780)，然后将xml数据集转成voc； import sys import os import json import xml.etree.ElementTree as ET from PIL import Im
RK3399平台开发系列讲解（GPIO子系统）4.3、详解GPIO子系统
内核笔记
10-04 2242
从硬件角度来看，GPIO是功能，是引脚可以运行的模式。从软件角度来看，GPIO只不过是数字线，可以作为输入或输出使用，并且只能有两个值（1表示高电平，0表示低电平）。内核GPIO子系统提供在驱动程序中可以想象得到的设置和处理GPIO线路的所有功能。
[NanoDet]超轻量目标检测模型训练与测试
weixin_44031703的博客
06-29 1149
1.下载代码 NanoDet作者开源代码地址：https://github.com/RangiLyu/nanodet 2.准备自己的数据，按照voc格式，ann文件夹内存放自己的xml标注文件 3.修改yml文件 （1）修改训练结果的保存路径，我的是piglet文件夹 （2）修改类别数，num_classes和class_names，我的num_classes=1，class_names = ['piglet'] (3)修改训练集和验证集的文件夹路径,我的： img_path:...
轻量级目标检测模型：NanoDet-PyTorch实战指南
最新发布
weixin_30838971的博客
07-24 796
NanoDet代表了一个在边缘计算领域具有革命性进展的目标检测模型。它的起源可以追溯到深度学习技术在移动和边缘设备上应用的需求日益增长的背景下。传统的目标检测模型如Faster R-CNN和YOLO系列尽管性能优异，但往往需要较高的计算资源和复杂的网络结构，这在资源受限的设备上造成了瓶颈。NanoDet模型的核心创新点在于其轻量级和高效的设计理念。
目标检测-CPU训练NanoDet-plus自己的数据集
2301_80977231的博客
11-23 1688
NanoDet是一种轻量化模型，速度快并且适合部署在端侧，不过因为模型对于新版本torch和CUDA不太适配（torch>=1.10,
Nanodet训练自己的轻量级目标检测模型实践
ssunshining的博客
04-06 5189
官方地址:https://github.com/RangiLyu/nanodet 一 准备训练的数据: 数据文件目录为如下,分别存放训练集和验证集的图片和xml文件(注意图片和标签一一对应) 二、建立自己yaml文件 在config文件夹下建立自己的yaml文件,VOC格式标签参照官方的 https://github.com/RangiLyu/nanodet/blob/main/config/nanodet_custom_xml_dataset.yml 文件进行修改: 注意修改的地方有以下
Nanodet训练自己的数据集并转为onnx和mnn
zfjBIT的专栏
09-29 1821
Nanodet训练自己的数据集
RK3399平台开发系列讲解专栏对应官方资料
05-24
RK原厂资料
RK3399平台开发系列讲解（MTD子系统）4.37、MTD子系统框架
内核笔记
03-16 2634
MTD驱动模型通过对nor flash、nandflash等闪存设备进行抽象，对上层模块抽象成统一成设备模型（mtd_info），对下则通过mtd_info完成与具体闪存设备驱动的绑定，从而完成对闪存设备的访问操作。此处mtd的抽象，就和vfs抽象类似。
RK3399平台开发系列讲解（网络篇）7.25、Socket接口的分层
内核笔记
02-02 3075
在Linux内核中，Socket的实现分为三层，第一层是 GLIBC接口层，第二层是 BSD接口层，第三层是 具体的协议层（如Unix sokcet或者INET socket）。
NanoDet-训练自己的数据集
左手coding，右手cooking
03-23 6809
NanoDet简介 nanodet网址：https://github.com/RangiLyu/nanodet NanoDet 是一个速度超快和轻量级的移动端 Anchor-free 目标检测模型。该模型具备以下优势： 超轻量级：模型文件大小仅 1.8m； 速度超快：在移动 ARM CPU 上的速度达到 97fps（10.23ms）； 训练友好：GPU 内存成本比其他模型低得多。GTX1060 6G 上的 Batch-size 为 80 即可运行； 方便部署：提供了基于 ncnn 推理框架的 C++
nanodet-main.zip
11-24
项目NanoDet，目标检测模型文件仅 1.8 MB 特点： 超轻量级：模型文件只有1.8 MB 超快速：在移动 ARM CPU 上达到 97fps(10.23ms) 训练友好：训练占用内存少。可设置Batch-size=80，在 GTX1060 6G上也可以训练。 易部署：作者提供了基于 ncnn 推理的 C++ 实现和安卓部署 demo。
nanodet：:high_voltage:超级快速，轻巧的无锚物体检测模型。 1.8仅1.8mb并在手机上运行97FPS:fire:
02-05
NanoDet 超快速，轻量的无锚物体检测模型。 在移动设备上实时。 :high_voltage: 超轻量级：模型文件仅1.8 mb。 :high_voltage: 超快速：移动ARM CPU上97 fps（10.23ms）。 :smiling_face_with_sunglasses: 易于培训：GPU内存成本比其他型号低得多。 GTX1060 6G上可使用批处理大小= 80。 :smiling_face_with_sunglasses: 易于部署：基于ncnn推理框架提供C ++实现和Android演示。 新闻！！！ [2021.02.03]支持和主干。 请检查。 [2021.01.10]专为边缘NPU或GPU设计的具有较低内存访问成本的NanoDet-g现已上市！ 检查并下载： | 代码：otcd [2020.12.19]提供了。 [
NanoDet-PyTorch:基于NanoDet项目进行小裁剪，专门用来实现PyTorch 版本的代码，下载直接能使用，支持图片、视频文件、摄像头实时目标检测
05-11
NanoDet-PyTorch 说明：NanoDet作者开源代码地址： （致敬） 该代码基于NanoDet项目进行小裁剪，专门用来实现Python语言、PyTorch 版本的代码，下载直接能使用，支持图片、视频文件、摄像头实时目标检测。 YOLO、SSD、Fast R-CNN等模型在目标检测方面速度较快和精度较高，但是这些模型比较大，不太适合移植到移动端或嵌入式设备； 轻量级模型 NanoDet-m，对单阶段检测模型三大模块（Head、Neck、Backbone）进行轻量化，目标加检测速度很快；模型文件大小仅几兆（小于4M）。 NanoDet 是一种 FCOS 式的单阶段 anchor-free 目标检测模型，它使用 ATSS 进行目标采样，使用 Generalized Focal Loss 损失函数执行分类和边框回归（box regression） 模型性能 Model Resolut
NanoDet-ncnn-Jetson-Nano
04-06
NanoDet-ncnn-Jetson-Nano
NanoDet训练、检测及安卓部署
qq_39635835的博客
02-04 1416
NanoDet训练、检测及安卓部署
NanoDet目标检测模型训练COCO数据集实践
mw的博客
12-12 1320
nanodet是一个实时目标检测模型，模型小且轻量化，专门设计用于在计算资源有限的硬件设备上。这个模型通常被优化，以在资源受限的环境中快速而准确地检测图像或视频帧中的对象。
云服务器训练自己的Nanodet模型
rugeweiwu的博客
05-24 1289
云服务器训练自己的Nanodet模型 各位小伙伴，现在显卡超级贵的年代，大家应该学会使用云服务器训练自己的深度学习模型了。 听说nanodet模型非常小，想要跑树莓派，训练一下看看效果。网上的资料都是pytorch平台的，照着做一下。 我使用的是小的服务平台叫易学智能：https://www.easyaiforum.cn/，大家可以使用百度云、阿里云或者华为云。 1、首先先到云服务器平台租一个服务器，一般都是花钱的，可以按时收费。选一个带pytorch平台的系统 选一个自己觉得适合自己的配置交钱开机。
nanodet训练自己的数据集、NCNN部署到Android
weixin_45977690的博客
11-07 1687
nanodet目标检测训练自己的数据以及在安卓终端的部署
rk3399平台开发系列讲解 pdf
09-09
RK3399平台是一款高性能...总的来说，RK3399平台开发系列讲解PDF对于想要学习和应用这一平台的开发者来说是非常有用的资源，通过系统的学习和实践，开发者可以通过这些讲解资料获得对RK3399平台开发的全面理解和掌握。
评论 11
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

打赏作者

内核笔记

你的鼓励是我的动力

¥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