轻量级检测网络-Pelee介绍与试跑运行

最新推荐文章于 2025-03-01 19:01:05 发布
最新推荐文章于 2025-03-01 19:01:05 发布
阅读量2k 收藏 1
点赞数
分类专栏： 目标检测 目标检测与数据增强
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/yjfncu/article/details/93236765
版权
本文介绍了轻量级的Pelee网络，适用于移动设备的实时目标检测。Pelee网络在参数量减少的同时保持了较高的mAP，对比SSD和MobileNet有优势。文章提供了基于TensorFlow的实现，并分享了训练与运行的步骤，包括数据集的准备和训练过程。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

以深度学习为基础的人工智能发展迅速，越来越多的检测、识别模型出现，但这些都只能运行在服务器端，使用中只能通过前端获取图像视频数据，通过网络传输数据信息到服务器，服务器处理完毕再返回结果到前端展示。而在真实场景我们对实时性要求更高，因此需要tflite格式的更加轻量级模型。

今天介绍一下pelee网络，然后教大家如何在本地运行。

论文地址：论文：Pelee: A Real-Time Object Detection System on Mobile Devices 

这里介绍了个实现，一个是基于caff-ssd，一个是TensorFlow实现。

Github:https://github.com/Robert-JunWang/Pelee   基于caffe-ssd实现

            https://github.com/nnUyi/PeleeNet   tensorflow实现

论文是发表在2019年1月18号的32nd Conference on Neural Information Processing Systems (NeurIPS 2018)会议上的。

如下为

了解本专栏 订阅专栏 解锁全文 超级会员免费看
深度学习-轻量级骨干网-QPS
05-06
- 降低访存量成为轻量级网络研究的一个重点方向。 在选择轻量级骨干网时，除了考虑模型的计算量（FLOPs或MACs）外，还需要综合评估模型的QPS、GPU利用率、内存占用、并行度等因素。对于实际业务来说，模型的部署...
【目标检测】16、Pelee: A Real-Time Object Detection System on Mobile Devices
呆呆的猫的博客
04-17 3009
摘要 目前在计算能力和内存资源有限的移动设备上运行卷积神经网络模型的需求越来越大，这样一来就刺激了对高效模型的设计和研究。 MobileNet、ShuffleNet和MobileNetV2等高效的网络结构，然而这些模型高度依赖于深度可分离卷积网络，在很多深度学习框架中难以实施。 基于此，本文提出了一种有效的结构，名为PeleeNet，使用传统的卷积网络。 在ImageNet ILSVRC 201.........
论文学习笔记（七）Pelee: A Real-Time Object Detection System on Mobile Devices
Custom自定义
01-19 2069
『写在前面』 目标检测轻量级网络。 论文出处：NeurIPS 2018 作者机构：Robert J. Wang等，University of Western Ontario 原文链接：https://arxiv.org/pdf/1804.06882v2 相关repo：https://github.com/Robert-JunWang/Pelee 目录 摘要 1 介绍 2 Pe...
YOLO-TLA：一种基于 YOLOv5 的高效轻量级小目标检测模型
最新发布
gzq0723的博客
03-01 898
关注并星标从此不迷路计算机视觉研究院公众号ID｜计算机视觉研究院学习群｜扫码在主页获取加入方式文章地址：https://arxiv.org/pdf/2402.14309计算机视觉研究院专栏Column of Computer Vision Institute目标检测作为计算机视觉的一个关键领域，在准确性和鲁棒性方面已取得了显著进展。尽管有这些进步，但实际应用中仍然面临着一些显著挑战，主要是对小目标...
轻量化网络：PeleeNet及其Pelee-SSD解析
zhw864680355的博客
02-19 4286
原文：Pelee: A Real-Time Object Detection System on Mobile Devices 论文链接：https://arxiv.org/abs/1804.06882 开源链接：https://github.com/Robert-JunWang/Pelee https://github.com/nnUyi/PeleeN...
探索Pelee：轻量级、高效的深度学习模型
gitblog_00082的博客
04-11 479
探索Pelee：轻量级、高效的深度学习模型 去发现同类优质开源项目:https://gitcode.com/ 是一个专为移动端和嵌入式设备设计的深度学习模型，它旨在提供与大型模型相当的性能，但以更小的体积、更快的速度和更低的计算资源需求。本文将深入解析Pelee的技术特性、应用场景，并探讨其为何值得开发者关注和使用。 项目简介 Pelee的设计理念是“移动优先”，它的核心是一个轻量级的卷积神经网络...
轻量级检测网络Pelee和DenseNet
huang_nansen的博客
02-13 3665
提到轻量级神经网络，大家都会提到MobileNet V1 V2 和 ShuffleNet V1 V2，似乎较少看到大家提到PeleeNet，网上搜到的结果也不多，这篇博客会简单介绍一下PeleeNet以及以它为backbone的检测网络Pelee，还有它的前身DenseNet。 1. DenseNet 这里推荐一篇博文，讲解DenseNet很详细： https://blog.youkuaiyun.com...
Python-PeleeNet移动设备上的实时目标检测系统DenseNet架构
08-11
PeleeNet是移动设备目标检测领域的一个重要突破，它结合了DenseNet的强大功能与轻量级设计，实现了在有限资源下的高效检测。对于Python开发者来说，理解和掌握PeleeNet的实现原理及优化策略，能够帮助他们开发出更...
pytorch-peleenet:PyTorch中的PeleeNet
05-09
引文如果您发现本文对您的研究有用，请考虑引用： @article{wang2018pelee, title={Pelee: A Real-Time Object Detection System on Mobile Devices}, author={Wang, Robert J and Li, Xiang and Ao, Shuang and ...
基于轻量级网络的PCB元器件检测.pdf
07-25
卷积神经网络在目标检测领域已经取得了卓越的成果，特别是轻量级网络的研究，使得网络在小目标和实时检测方面有了新的突破。基于Faster R-CNN和PeleeNet的研究，研究者们实现了针对PCB元器件的轻量级小目标检测模型...
GSDCPeleeNet：基于PeleeNet的高效轻量化卷积神经网络.pdf
09-25
总结来说，GSDCPeleeNet是一种创新的轻量化卷积神经网络，通过综合运用分组卷积、参数共享、密集连接等技术，并精细调整超参数，实现了在移动设备上高效运行的图像分类网络。这对于推动深度学习在资源有限的平台上的...
轻量级神经网络PeleeNet--对DenseNet的进一步改进
panghuzhenbang的博客
05-12 2725
论文地址： 《Pelee: A Real-Time Object Detection System on Mobile Devices》 文章总体上参考DenseNet的设计思路，提出了三个核心模块进行改进，有一定参考价值。 PeleeNet实际上是DenseNet的变体，使用的依然是DenseNet的连接方法，核心的设计原则也和DenseNet相仿(特征重用)。 1. Two-Way Dense Layer： 如下图所示：左边(a)图是DenseNet中设计的基本模块，其中k、4k代表filte
ubuntu网络测试
热门推荐
xkjscm的博客
10-11 8万+
安装环境： apt install python3-pip -y pip3 install sppedtest-cli 测试结果： speedtest-cli # 命令行形式 speedtest-cli --share # 图片形式
移动端实时检测网络PeleeNet
年轻即出发，
10-11 1万+
  论文：Pelee: A Real-Time Object Detection System on Mobile Devices  Github:https://github.com/Robert-JunWang/Pelee             https://github.com/nnUyi/PeleeNet   ICLR2018论文，主要提出了DesNet的变种版本PeleeN...
Pelee: A Real-Time Object Detection System on Mobile Devices使用
P0ny的博客
06-01 2040
https://github.com/Robert-JunWang/Pelee 项目地址这个Pelee比MobilenetSSD还要强一点打
《Pelee: A Real-Time Object Detection System on Mobile Devices》解读
风中落泪的花
05-13 7171
已有的在移动设备上执行的深度学习模型例如 MobileNet、 ShuffleNet 等都严重依赖于在深度上可分离的卷积运算，而缺乏有效的实现。在本文中，来自加拿大西安大略大学的研究者提出了称为 PeleeNet 的有效架构，它没有使用传统的卷积来实现。PeleeNet 实现了比目前最先进的 MobileNet 更高的图像分类准确率，并降低了计算成本。研究者进一步开发了实时目标检测系统 Pelee...
随笔记（二）
Dlyldxwl的博客
06-03 2706
2018.06.03 Python代码生成prototxt 如下代码生成peleenet.prototxt。Python文件和deploy文件的github 链接. 求个小心心 -- #coding: utf-8 #by Chen yh tran_channel = 32 #growth_rate class Genpelee(): def __init__(s...
【项目实战】基于PeLee的多目标实时检测
cv君的博客
05-16 1万+
​ 提到轻量级神经网络，大家都会提到MobileNet V1 V2 和 ShuffleNet V1 V2，似乎较少看到大家提到PeleeNet，下面介绍一下检测网络Pelee Pelee：移动端实时检测骨干网络 在ImageNet数据集上，PeleeNet只有MobileNet模型的66%,并且比MobileNet精度更高。PeleeNet作为backbone实现SSD能够在VOC2007数据集上达到76.4%的mAP。文章总体上参考DenseNet的设计思路，提出了三个核心模块进行改进，有一定参.
Ubuntu16.04 caffe框架实现peleenet目标检测
hunzhangzui9837的博客
04-11 968
一、简介 PeleeNet是DenseNet (Huang et al. (2016a)) 的一个变体，PeleeNet 遵循 DenseNet 的创新连接模式和一些关键设计原则。它也被设计来满足严格的内存和计算预算。在 Stanford Dogs (Khosla et al. (2011)) 数据集上的实验结果表明：PeleeNet 的准确率要比 DenseNet 的原始结构高 5.05%，...
评论 7
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

洛希极限-cz

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