【树莓派5B】移植yolo5-lite

已于 2024-10-14 17:21:06 修改
阅读量884 收藏 22
点赞数 3
分类专栏： yolov5 文章标签： python 嵌入式硬件
于 2024-10-14 16:39:50 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY 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_45640207/article/details/142921057
版权

移植yolo5-lite

前言

参考文献
获取文件看他研究僧树莓派5的学习记录13——yolov5-lite部署树莓派
树莓派5B快速YOLOV5环境搭建

一、获取Lite文件

根据up🐖提供的连接下载lite文件，其实不嫌麻烦可以自己去GitHub下载，当然我更喜欢走捷径。
在这里插入图片描述
移到树莓派里面，我的vnc配置没改过来，于是我使用的是FinishShell传输的，途径这种事情，看个人爱好。解压可以直接用右键解压，或者使用指令。
1、图形化的话直接点击

在这里插入图片描述
2、指令

unzip Lite.zip

最低0.47元/天 解锁文章
YOLOv5-Lite 使用笔记
jacke121的专栏
11-05 2688
开源地址： GitHub - ppogg/YOLOv5-Lite: ????????????YOLOv5-Lite: lighter, faster and easier to deploy. Evolved from yolov5 and the size of model is only 1.7M (int8) and 3.3M (fp16). It can reach 10+ FPS on the Raspberry Pi 4B when the input size is 320×320~ 精度
54、记录yolov7 训练、部署ncnn、部署mnn、部署rk3399pro npu、部署openvino、部署oak vpu、部署TensorRT
sxj731533730
12-15 5561
基本思想：记录一下yolov7训练人头检测和部署oak的vpu相机上和rk3399 pro开发板上，完成需求。一、准备数据集，来自官方数据集，存在问题，已经修正。二、在现有的数据集基础上转yolo数据集。修改yolov7.yaml。四、修改coco.yaml。
跌倒目标检测，云端训练yolov5-lite和用自己电脑训练差别巨大，简直太强了
Alihao_的博客
10-01 749
为什么建议新手小白或者急于训练的人在云端进行训练？简单方便是一个原因，其次是环境部署的更好，训练效果更高，如果你不信可以看看我的训练效果对比
树莓派部署Yolov5-Lite
CYFS3的博客
06-07 2691
yolov5-lite 1.5版本部署树莓派
手把手教你：从零开始搭建CUDA环境并基于YOLOv5-Lite进行本地训练再到树莓派4B上的部署
最新发布
qq_69730772的博客
03-21 1381
零基础搭建CUDA环境&基于YOLOv5-Lite进行本地训练&在树莓派4B上部署并进行识别
yolov5——lite在电脑上部署全过程，以及进行训练
m0_49883026的博客
07-16 1817
输入标签名字一个标签基本不用管什么，多个注意一下后面，点击箭头下一个，也可以用快捷键俺不会，可能会弹出一个东西，点击yes就可以啦，之后再labels文件夹就可以看到标签啦。点击上面这个选择zip格式 ，之后进行解压，之后安装pychar（俺安装的2024.1.4），python版本为3.9，可以去搜索一下安装教程，之后点击view勾上第一个，开始标记，下发如果没有yolov这个图标，点一下可以切换，得到的就是yolo的标签格式，按w开始画框标记。
YOLOv5-Lite-test.rar
12-24
yolo轻量化
yolov5-lite
08-04
采用yoloV5-lite进行数字识别，这个是移植过树莓派4B上的，直接加载到树莓派4B上，配置好环境就可以直接使用，帧率较低，一秒3帧左右
YOLOv5-Lite 详解教程 | 嚼碎所有原理、训练自己数据集、TensorRT部署落地应有尽有...
idol24的博客
03-10 4737
YOLOv5 Lite在YOLOv5的基础上进行一系列消融实验，使其更轻（Flops更小，内存占用更低，参数更少），更快（加入shuffle channel，yolov5 head进行通道...
YOLOv5-Lite：更轻更快易于部署的YOLOv5
热门推荐
chenxiangrong的博客
08-19 2万+
本文版权属于GiantPandaCV，未经允许请勿转载 前言： 毕设的一部分，前段时间，在yolov5上进行一系列的消融实验，让他更轻（Flops更小，内存占用更低，参数更少），更快（加入shuffle channel，yolov5 head进行通道裁剪，在320的input_size至少能在树莓派4B上一秒推理10帧），更易部署（摘除Focus层和四次slice操作，让模型量化精度下降在可接受范围内）。 一、消融实验结果比对 ID Model Input_size Flops Params Si.
yolov5-lite部署OAK双目相机实现c++检测、测距功能
暂无简介
10-08 760
使用yolov5-lite-e部署到OAK双目相机实现检测、测距功能
yolov5-Lite通过修改Detect.py代码实现灵活的检测图像、视频和打开摄像头检测
m0_46935103的博客
12-12 1958
算法自带检测图片、视频的detect.py脚本，但是拿来自己灵活的使用还是有许多问题，一般图像检测都是对实时性有要求，detect.py脚本是检测本地的图片视频。我修改一部分代码，将detect.py脚本写成一个api，直接调用函数，传入一个img数组对象，即可输出detections字典，包含各检测对象的类别、位置信息、置信度。
使用YOLOv5-Lite在树莓派4b上部署车辆检测模型（三）——在树莓派4b上部署模型
gzdvdsadf的博客
05-27 1406
使用YOLOv5-Lite在树莓派4b上部署车辆检测模型（一）——UA-DETRAC车辆检测数据集的处理-优快云博客使用YOLOv5-Lite在树莓派4b上部署车辆检测模型（二）——使用数据集训练模型-优快云博客在前面的两篇文章中，我们处理好了UA-DETRAC数据集，并使用这个数据集训练了v5Lite-e模型。现在我们有了训练出的pt格式的权重文件，暂且称为v5Lite-e.pt，接下来需要将这个权重文件转换格式，然后在树莓派4B上部署。
YOLOv5-Lite：Repvgg重参化对YOLO工业落地的实验和思考
chenxiangrong的博客
09-18 6933
这一次的实验主要借鉴repvgg重参化的思想，将原有的3×3conv替换成Repvgg Block，为原有的YOLO模型涨点。 前言： 之前做了一次shufflenetv2与yolov5的组合，目的是为了适配arm系列芯片，让yolov5在端侧设备上也能达到实时。但在gpu或者npu方面也一直在尝试着实验，对此类实验的目的很明确，要求也不高，主要还是希望yolov5在保持原有精度的同时能够提速。 实验 这一次的模型主要还是借鉴repvgg重参化的思想，将原有的3×3conv替换成repvgg block，.
YOLOv5-Lite 树莓派实时 | 更少的参数、更高的精度、更快的检测速度(C++部署分享)...
3D视觉工坊
10-26 1497
点击上方“3D视觉工坊”，选择“星标”干货第一时间送达作者丨ChaucerG来源丨集智书童1YOLOv5-Lite1、Backbone与HeadYOLOv5-Lite的网络结构的Backb...
【树莓派】yolov5 Lite，目标检测，树莓派4B，推理v5lite-e_end2end.onnx，摄像头实时目标检测
q742971636的博客
04-25 2493
这里有大概的环境配置： https://qq742971636.blog.youkuaiyun.com/article/details/138048132yolov5树莓派跑不起来，用yolov5 Lite试试： https://github.com/ppogg/YOLOv5-Lite今天我将向您介绍如何使用YOLOv5 Lite在树莓派上进行目标检测。YOLOv5 Lite是一种轻量级目标检测模型，适用于资源受限的设备，如树莓派。在本文中，我将分享环境配置、项目克隆、模型部署以及示例推理的详细步骤。首先，让我们配置环
树莓派安装移植yolov5笔记
qq_45213223的博客
06-05 579
树莓派安装opencv
YOLOv5-Lite训练样本集：即刻开始目标检测模型训练
weixin_36487018的博客
10-13 1117
本文还有配套的精品资源，点击获取 简介：YOLOv5-Lite训练样本集专为计算机视觉目标检测任务设计，无需复杂的数据预处理即可直接使用。样本集包含Annotations和JPEGImages文件夹，分别存储图像注解和图像文件，方便模型训练。YOLOv5-Lite作为YOLO系列的轻量级版本，优化了模型结构，以适应计算资源有限的设备，同时保留了YOLO的核心特性。本样本集支...
评论
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