目标检测作为计算机视觉领域的研究热点之一,不仅可以独立完成车辆、商品、缺陷检测等任务,也是人脸识别、视频分析、以图搜图等复合技术的核心模块,在自动驾驶、工业视觉、安防交通等领域的应用价值有目共睹。
当下YOLOv5、YOLOX、PP-YOLOE、PP-PicoDet等优秀算法层出不穷,各有优劣侧重。但小伙伴们一般在解决实际问题时都需要考虑运行速度、模型计算量及轻量化等问题,因此,到底该怎么选呢?
算法对比:
知识干货:
1.PP-YOLOE:高精度SOTA目标检测模型!!
PP-YOLOE根据不同应用场景设计了s/m/l/x,4个尺寸的模型来支持不同算力水平的硬件,无论是哪个尺寸,精度-速度都超越当前所有同等计算量下的YOLO模型!
代码链接:https://github.com/PaddlePaddle/PaddleDetection/tree/release/2.4/configs/ppyoloe
2.PP-PicoDet:0.7M超超超轻量SOTA目标检测模型!!!
PP-PicoDet具备超乎想象的超小体积及超预期的性能,使PP-PicoDet成为边缘、低功耗硬件部署的最佳选择。
代码链接:PaddleDetection/configs/picodet at release/2.4 · PaddlePaddle/PaddleDetection · GitHub
欢迎分享,转载请注明来源:内存溢出
评论列表(0条)