YOLO-LITE项目实现(比SSD和MobileNet更快的算法)

YOLO-LITE

论文：Yolo-lite paper

项目：Yolo-lite

不懂原理的可以看我的这篇博客：YOLO－LITE原理

YOLO-LITE是YOLOv2的网络实施 - 在MS COCO 2014和PASCAL VOC 2007 + 2012上接受过微小训练。在开发YOLO-LITE时使用的所有训练模型（cfg和权重文件）都在这里。我们的目标是创建一个架构，可以在没有GPU的计算机上以10 FPS的速度进行实时物体检测，平均精度约为30％

Demo

https://reu2018dl.github.io/#examples  可以直接在浏览器中进行实时的目标检测，有COCO和VOC训练模型．

Results

DataSet	mAP	FPS
PASCAL VOC	33.57	21
COCO	12.26	21

best PASCAL cfg | best PASCAL weights

best COCO cfg | best COCO weights

效果图：

至于实时目标检测的视频可以自己去模拟哈

Ｇetting start：

１．安装darknet(按照readme的步骤安装)

darknet

• yolov2-tiny.cfg (43 MB COCO Yolo v2) - requires 1 GB GPU-RAM: https://pjreddie.com/media/files/yolov2-tiny.weights
• yolov2-tiny-voc.cfg (60 MB VOC Yolo v2) - requires 1 GB GPU-RAM: http://pjreddie.com/media/files/yolov2-tiny-voc.weights

 ２．安装完之后，可以采用以下命令去测试每个训练模型的平均精确度（map）

python　mapScript.py

出现提示时，添加cfg的位置和权重文件夹的位置

3.测试

为了得到FPS,采用了darknet的Python改编版Darkflow

4.网页应用

要将模型转换为JavaScript，我们遵循以下教程。

转换为JavaScript后，请参阅我们的两个tfjs-yolo-tiny和tfjs-yolo-tiny-demo的存储库。

将index_coco.js和index_voc.js中的第14行替换为步骤2中生成的.json文件的链接：

model = await downloadModel('put your link here');

5.如何修剪重量
虽然我们发现通过一个简单的阈值修剪权重并没有真正影响mAP或FPS somoene，但是其他人可能会觉得这个脚本很有用。要修剪权重文件，导航到weights.py文件然后运行

python weights.py WEIGHTS_FILE_NAME THRESHOLD

YOLO－LITE运行速度特别快，感兴趣的朋友可以动手试一试，我会接着进行扩展的，大家一起学习。