项目概述目标本项目旨在开发一个高效的垃圾分类识别系统，利用深度学习技术特别是YOLOv4-tiny版本来实现垃圾的自动分类。

yolov4-tiny相当于yolov4的缩小版本，速度比完整版快10倍，当然也牺牲了一些准确度。》

目录3.2.2等径生长过程图像预处理3.2.3数据增广与统计基于改进Yolov4-tiny算法的单晶硅晶线检测

在电脑打开终端四、VNC实现局域网及网线直连通信五、SSH文件传输六、状态监控软件Jtop七、检查CUDA、OpenCV及cuDNN八、USB摄像头测试软件Camorama九、CSI摄像头测试十、实现Yolov4

各位同学好，今天和大家分享一下如何使用opencv调用yolov4-tiny目标检测方法，并对指定类别进行检测。用b站的视频做测试。

一、环境配置我的编译环境是opencv3.4，protobuf3.4，ncnn版本无要求，cmake3.17，vs2019，请参考我之前的博文：yolov4-tiny的ncnn部署进行环境配置搭建及模型的转换

为什么是yolov4-tiny模型：相比官网教程实例采用的yolov4和yolov3，yolov4-tiny更加小巧，适合机载电脑使用。

cuDNNstatusErrorin:file:E:\darknet\src(convolutional_kernels.cu:forward_convolutional_laver_gpu()cuDNNError:CUDNN_STATUS_BAD_PARAM问题：目测是yolov4-tiny.cfg文件中batch和subdivisions设置过大导致GPU一次处理的数据过大从而引发崩溃解决方法

前篇参考：https://blog.csdn.net/qq_34717531/article/details/107818606#-*-coding:utf-8-*-fromflaskimportFlask,request,jsonifyimportcv2importnumpyasnpimportosimporttimeimportjson'''pathIn：原始图片的路径pathOut：结果图片

是一个速度超快和轻量级的移动端Anchor-free目标检测模型，是基于FCOS模型进行轻量化改进而来的2、Nanodet跟其他模型的性能对比华为P30上用NCNN移植跑benchmark，一张图片仅需10.23毫秒，比YoloV4

最近在运行yolov4-tiny的测试程序时，出现了错误如下：根据提示估计问题出在索引上，故将i[0]改为i，重新运行，就成功了。

目录目标1.环境2.先跑darknetyolov4（win10+cmake3.24.2+vs2019）2.1readme2.2cmake编译2.3VS编译2.4darknet.c3.darknettrtyolov43.1readme3.2enazoeyolo-tensorrt3.3编译问题记录4.加速方案4.1OPENCV->NPP编译选项及测试4.1.1测试相关preprocess函数替换效果及

本文章主要介绍如何使用Darknet在windows下训练自己的数据集，其中模型使用的是yolov4-tiny，数据集使用的是自己垃圾分类数据集（需要的自取：在我上传的资源中有）PS：这是我的第一篇博客

目录1.项目背景2.项目研究数据集介绍（变电站火灾检测图像数据集）3.目标检测模型介绍（SE改进的YOLOv4-tiny模型）4.模型训练及测试1.项目背景我们的日常生活与电力息息相关，变电站作为输配电系统的关键环节

最近的一段时间我学习了将yolov4-tiny和yolov5s部署到jetsonnano上，并进行了tensorrt转换和deepstream部署yolov5s源码(USB摄像头)9FPSyolov5s

示例代码：GitHub-jkjung-avt/tensorrt_demos:TensorRTMODNet,YOLOv4,YOLOv3,SSD,MTCNN,andGoogLeNet参考博客在JetsonNano上进行实时目标检测：使用tensorRT加速yolov3v4-tiny(tensorrt_demos)_照亮星星的人们的博客-CSDN博客基本思路yolo模型(.weights+.cfg)→o

其实早在之前，我的一些文章里面就有做过关于学生课堂行为检测识别的项目，感兴趣的话可以自行移步阅读：《yolov4-tiny目标检测模型实战——学生姿势行为检测》《基于yolov5轻量级的学生上课姿势检测识别分析系统

盒子及开发板图片来源硬件组成：Jetsonnanob1+双目CSI摄像头算法组成：Yolov4-tiny，自己重新训练的权重，只识别person这一类。

YOLOV4-Tiny：YouOnlyLookOnce-Tiny目标检测模型在Keras当中的实现目录性能情况训练数据集权值文件名称测试数据集输入图片大小mAP0.5:0.95mAP0.5VOC07+12

目录一、pytorch环境搭建1.创建新环境2.激活环境3.按照版本下载二、labelimg的安装三、数据处理部分1、rename数据文件2、数据加强四、yolov4训练过程五、租用GPU一、pytorch环境搭建在安装anaconda的前提下在编译器pycharm的终端1.创建新环境condacreate-npytorch1.6_cuda10.2python=3.7//创从大python3.7p

前言：本专栏以理论与实战相结合的方式，左手看论文，右手敲代码，带你一步步吃透深度学习原理和源码，逐一攻克计算机视觉领域中的三大基本任务：图像分类、目标检测、语义分割。本专栏完整代码将在我的GiuHub仓库更新，欢迎star收藏：https://github.com/Keyird/DeepLearning-TensorFlow2文章目录一、实战介绍与说明（1）代码结构说明（2）如何使用本项目进行预测

相关程序代码请参考：Keras搭建YoloV4-Tiny目标检测平台windows下的tensorflow-gpu=1.13.2环境配置配置树莓派的运行环境下载Keras==2.1.5pip3installKeras

基本配置：VS+Opencv+摄像头（本地图片）模型文件：包含Yolov4和Yolov4-tiny两个版本。

前言最近一直忙于模型移植板端，用了不少厂家的sdk，发现挺多厂家的sdk都处于起步阶段，缺少一些技术支持，比如不支持五维向量，不支持一些onnx算子，不支持过深的模型结构，我最爱的Yolov5,v6,v7等高精度目标检测模型都无法移植上去，那就只能把眼光放回几年前尝试移植yolov3tiny和yolov4tiny，结果发现这玩意它要么darknet转onnx，要么是非官方实现的pytorch转on

yolov4-tiny也在25ms左右，c#调用代码都通用。首先在nuget程序包里搜索，opencvsharp完整demo程序下载yolov7-tiny

本文是继上文《轻量级目标检测模型实战——杂草检测》后的第二篇轻量级目标检测系列博文，本文选用的模型是YOLOv4-tiny模型，相比于上文的YOLOv3-tiny有更好的效果，先看效果图：在前面我写过一篇目标检测自己做实验的记录性也是入门的一篇文章

原始博文如下：《人体行为姿势识别数据集WISDM实践》《yolov4-tiny目标检测模型实战——学生姿势行为检测》感兴趣的话可以自行移步前去阅读。

Yolov4-tinypth模型转换成onnxYolov4-tiny模型参考链接trt加载推理代码提取码：ou91载入模型并完成转换defpth2onnx(pth_model,input,model_name):torch.onnx.export(pth_model,#需要转换的模型input,#模型的输入"model_data/%s.onnx"%model_name,#保存位置export_pa

华为P30上用NCNN移植跑benchmark，每帧仅需10.23毫秒，比yolov4-tiny快3倍，参数量小6倍，COCOmAP(0.5:0.95)能够达到20.6。

序【yolov4-tiny】一、darknet-＞caffe【yolov4-tiny】二、pytorch-＞onnx-＞caffe前文使用两种途径将yolov4-tiny转为caffe，此后只需根据海思的

之前在Darknet下使用YoloV4-tiny进行了图像实时检测的测试，发现帧率一直只有十几，还有很大的提升空间，今天就来尝试一下使用tensorrt进行加速后的效果。

生成存有图片路径的.txt文件三、使用Yolov4训练与推断3.1训练3.1.1voc.data的调整3.1.2yolov4-custom.cfg的调整3.1.3yolov4.conv.137下载3.2推断四、使用Yolov4

YOLOv4-tiny的模型实现了1774FPS！

YOLOv4-tiny的模型实现了1774FPS！

文章目录1、环境和使用的YOLOv4-tiny源码2、使用cfg和pt生成wts3、使用wts生成engine，然后推理加速4、我的实验现象记录和问题1、环境和使用的YOLOv4-tiny源码环境：JetsonTX2

点击下方卡片，关注“CVer”公众号AI/CV重磅干货，第一时间送达转载自：集智书童CSL-YOLO:ANewLightweightObjectDetectionSystemforEdgeComputing论文：https://arxiv.org/abs/2107.04829本文提出了一种新的轻量级卷积方法Cross-StageLightweight(CSL)模块，从简单的操作中生成冗余特征。在中

点击下方卡片，关注“自动驾驶之心”公众号ADAS巨卷干货，即可获取点击进入→自动驾驶之心技术交流群后台回复【2D检测综述】获取鱼眼检测、实时检测、通用2D检测综述！近年来，压缩高精度卷积神经网络(CNNs)在实时目标检测方面取得了显著进展。为了加快检测速度，轻量级检测器采用单路径主干，卷积层数较少。然而，在连续的池化和下采样操作中，单路径架构总是带来粗糙和不准确的特征图，这很不利于定位目标。另一方

YoloV4-tiny网络结构图一、基本的卷积块Conv+BN+LeakyReLU#卷积块#Conv2d+BatchNorm2d+LeakyReLU#--------------------------

可以很方便的训练yolov3、yolov4、yolov3-tiny、yolov4-tiny等多种yolo系列网络。

目标检测—CIOU原理及代码实现最近刚写完一篇YOLOV4-tiny的blog，其中Tensorflow2.0—YOLOV4-tiny网络原理及代码解析（三）-损失函数的构建涉及到了CIOU。

onnximporttorch.onnximportonnxfromonnxsimimportsimplifyyolo=YOLO()model=yolo.netx=torch.randn(1,3,416,416)out_name="yolov4

/dota_data2.2补充说明三、使用Yolov4训练与推断3.1调整yolov4.yaml与训练3.2测试结果四、使用Yolov4-Tiny训练与推断4.1调整yolov4-tiny.yaml与训练

文章目录Yolov4-Tiny讲解Yolov4-Tiny-backboneGithub-代码下载数据集下载数据集处理训练网络预测网络评估网络Yolov4-Tiny讲解https://www.bilibili.com

深度学习之目标检测YOLOv4-tiny一.模型介绍理论这里不过多介绍，推荐一篇大佬博文：https://blog.csdn.net/weixin_44791964/article/details/107041297

1环境1.1硬件当前：NVIDIA2080s要求：NVIDIA20系显卡，NVIDIA30系显卡1.2硬件环境当前：cuda11.2cudnn8.2win10要求：cuda11，cudnn对应cuda版本（由于tensorrt版本及其限制，不保证除当前cuda,cudnn版本外其他版本仍可行）1.3开发软件当前：VisualStudio2019(c++模块)要求：VisualStudio2019(

尽管在算法设计上，该文并没有带来重要亮点，但从工程应用的角度讲，Scaled-YOLOv4还是不错的，尤其是YOLOv4-tiny，其设计不仅考虑到计算量和参数量还考虑到内存访问。

YOLOv4-tiny的模型实现了1774FPS！

YOLOv4-tiny的模型实现了1774FPS！

主要是在YOLOv4-tiny、YOLOv5-s及YOLOX-tiny的基础上做出的总结及改进，都是自己的实测效果及一些改进后的效果的记录，免得大家二次踩坑，并不一定适用于所有情况，并且容易受训练策略、

文章目录前言一、安装darknet训练框架二、模型转换二、RKNN推理前言使用yolov4-tiny训练西瓜检测模型，部署到RKNPU上推理Python单线程速度35FPS以上一、安装darknet训练框架本人使用得是这里的