如何快速跑通 Yolo-Fastest 轻量级目标检测

如何快速跑通 Yolo-Fastest 轻量级目标检测【免费下载链接】Yolo-Fastest:zap: Based on yolos 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你的树莓派、开发板是不是连一个像样的目标检测模型都塞不进去主流 YOLO 动辄几十 MB 权重、上千 MFLOPS扔到 ARM 设备上基本跑不起来。Yolo-Fastest 就是冲着这个痛点来的一个基于 YOLO 的轻量级通用目标检测算法NCNN 模型只有 666KB、计算量 250 MFLOPS让 Raspberry Pi 3B 都能跑到 15FPS 以上。这就是值得你花五分钟试一把的理由。5分钟跑通第一帧目标检测准备工作很简单装好编译工具链就行OpenCV 可选想要 GPU 加速再补 CUDA/cuDNN。先把仓库拉到本地——git clone https://gitcode.com/gh_mirrors/yo/Yolo-Fastest cd Yolo-Fastest克隆完你会看到 Makefile、src、ModelZoo 这些目录框架已经就位。接着编译。纯 CPU 环境把 Makefile 里的GPU和CUDNN改成 0只测图片的话OPENCV也设 0 即可要跑视频或摄像头 Demo 再把它设成 1然后执行make没有报错、根目录多了个 darknet 可执行文件说明框架就绪了。模型仓库已经备好训练好的权重直接对一张图跑起来./darknet detector test \ ModelZoo/yolo-fastest-1.1_coco/coco.data \ ModelZoo/yolo-fastest-1.1_coco/yolo-fastest-1.1.cfg \ ModelZoo/yolo-fastest-1.1_coco/yolo-fastest-1.1.weights \ data/dog.jpg -i 0 -thresh 0.25终端会逐个打印检测框的坐标、类别和置信度同时输出一张带框结果图——狗就这样被框出来了。检测画出来的效果大概长这样框位置基本准置信度也都标在框上到这里你的第一帧就正式跑通了。树莓派实时检测能跑多快如果你要做安防、导览这类简单单类别的嵌入式检测这个项目基本即插即用除了 COCO 80 类模型ModelZoo/ 里还预置了一个行人body检测模型。换进你的 NCNN 工程就能在 Raspberry Pi 3B 上稳定跑到 15FPS 以上RK3399、树莓派 4B 这些板子配合 NCNN也都能做到 30FPS 全实时。算力和存储越紧张这种差距越明显——它比 MobileNet 系通用方案的计算量低一大截帧率却能高出数倍。行人检测在板子上的实际画面框住每个行人、实时刷屏放在导览屏或门禁上完全够用。跑通之后还能接哪些推理框架跑到这一步你多半会想把它搬到自己的设备上。它基于 Darknet 训练但官方更建议 CPU 端走 NCNN转换和 Demo 都给你备好了NCNNsample/ncnn/ 里已转好 .param/.bin配好 NCNN 就能编译出摄像头 DemoMNN / TNN转 Caffe 后接入MNN 在树莓派 4B 2G 上约 0.035s/帧ONNX / TensorRT留给你手上有 NVIDIA 高算力卡的场景去把它跑起来或者直接拿你的板子实测一帧。【免费下载链接】Yolo-Fastest:zap: Based on yolos 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创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考