MobileNet-YOLO Caffe Caffe实现的MobileNet-YOLO检测网络，于07 + 12进行训练，在VOC2007上进行测试 网络 地图 解析度 下载 NetScope 推理时间（GTX 1080） 推理时间（i5-7500） MobileNetV2-YOLOv3 71.5 352 217毫秒 推断时间是来自日志，不包括预处理 腾讯/ ncnn框架上的cpu性能 部署模型是由，设置eps =您的prototxt batchnorm eps 旧型号请看 该项目还支持ssd框架，这里列出了与ssd caffe的区别 多尺度训练，推理时可以选择输入分辨率 从上次更新Caffe（2018）修改 支持多任务模型 更新 pytorch版本已发布 CNN分析仪 使用此比较macc和param，在07 + 12上进行训练，在VOC2007上进行测试 网络 地图 解析度

YOLOV4：You Only Look Once目标检测模型-修改mobilenet系列主干网络-在pytorch当中的实现 2021年2月8日更新： 加入letterbox_image的选项，关闭letterbox_image后网络的map一般可以得到提升。 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 mAP 0.5:0.95 mAP 0.5 VOC07+12 VOC-Test07 416x416 - 79.72 VOC07+12 VOC-Test07 416x416 - 80.12 VOC07+12 VOC-Test07 416x416 - 79.01 所需环境 torch==1.2.0 注意事项 提供的三个权重分别是基于mobilenetv1、mobilenetv2、mobilenetv3主干网络训练而成的。使用的时候注意backbone和权重的对应。 训练

Mobilenet-YOLO-Pytorch 就像我之前的项目，损失函数与原始实现非常相似 模型 pytorch实现的MobileNet-YOLO检测网络，在07 + 12上进行了训练，在VOC2007上进行了测试（图像网络经过预训练，而不是coco） 网络 地图 解析度 yolov3 约洛夫4 MobileNetV2 71.2 352 ✓ MobileNetV2 352 ✓ MobileNetV3 MobileNetV3 训练步骤 下载数据集VOCdevkit /，如果已有，请跳过此步骤 sh scripts/VOC2007.sh sh scripts/VOC2012.sh 创建lmdb sh scripts/create.sh 开始训练 sh scripts/train.sh 演示版 下载 ，并保存在$ Mobilenet-YOLO-Pytorch / chec

YOLOV4：You Only Look Once目标检测模型-修改mobilenet系列主干网络-在Keras当中的实现 2021年2月8日更新： 加入letterbox_image的选项，关闭letterbox_image后网络的map一般可以得到提升。 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 mAP 0.5:0.95 mAP 0.5 VOC07+12 VOC-Test07 416x416 - 66.29 VOC07+12 VOC-Test07 416x416 - 80.18 VOC07+12 VOC-Test07 416x416 - 79.72 VOC07+12 VOC-Test07 416x416 - 78.45 所需环境 tensorflow-gpu==2.2.0 注意事项 提供的四个训练好的权重分别是基于mobilenetv1-025、mobilen

YOLOV4：You Only Look Once目标检测模型-修改mobilenet系列主干网络-在Keras当中的实现 2021年2月8日更新： 加入letterbox_image的选项，关闭letterbox_image后网络的map一般可以得到提升。 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 mAP 0.5:0.95 mAP 0.5 VOC07+12 VOC-Test07 416x416 - 66.29 VOC07+12 VOC-Test07 416x416 - 80.18 VOC07+12 VOC-Test07 416x416 - 79.72 VOC07+12 VOC-Test07 416x416 - 78.45 所需环境 tensorflow-gpu==1.13.1 keras==2.1.5 注意事项 提供的四个训练好的权重分别是基于mobilenet