| ID | Model | Input_size | Flops | Params | Size（M） | [email protected] | [email protected]:0.95 |
|---|---|---|---|---|---|---|---|
| 001 | yolo-fastest | 320×320 | 0.25G | 0.35M | 1.4 | 24.4 | - |
| 002 | YOLOv5-Liteeours | 320×320 | 0.73G | 0.78M | 1.7 | 35.1 | - |
| 003 | NanoDet-m | 320×320 | 0.72G | 0.95M | 1.8 | - | 20.6 |
| 004 | yolo-fastest-xl | 320×320 | 0.72G | 0.92M | 3.5 | 34.3 | - |
| 005 | YOLOXNano | 416×416 | 1.08G | 0.91M | 7.3(fp32) | - | 25.8 |
| 006 | yolov3-tiny | 416×416 | 6.96G | 6.06M | 23.0 | 33.1 | 16.6 |
| 007 | yolov4-tiny | 416×416 | 5.62G | 8.86M | 33.7 | 40.2 | 21.7 |
| 008 | YOLOv5-Litesours | 416×416 | 1.66G | 1.64M | 3.4 | 42.0 | 25.2 |
| 009 | YOLOv5-Litecours | 512×512 | 5.92G | 4.57M | 9.2 | 50.9 | 32.5 |
| 010 | NanoDet-EfficientLite2 | 512×512 | 7.12G | 4.71M | 18.3 | - | 32.6 |
| 011 | YOLOv5s(6.0) | 640×640 | 16.5G | 7.23M | 14.0 | 56.0 | 37.2 |
| 012 | YOLOv5-Litegours | 640×640 | 15.6G | 5.39M | 10.9 | 57.6 | 39.1 |
See the wiki: https://github.com/ppogg/YOLOv5-Lite/wiki/Test-the-map-of-models-about-coco
v5lite-e.pt: | Baidu Drive | Google Drive ||──────
ncnn-fp16: | Baidu Drive | Google Drive |
|──────ncnn-int8: | Baidu Drive | Google Drive |
|──────mnn-fp32: | Baidu Drive | Google Drive |
└──────tnn-fp32`: | Baidu Drive | Google Drive |
v5lite-s.pt: | Baidu Drive | Google Drive ||──────
ncnn-fp16: | Baidu Drive | Google Drive |
|──────ncnn-int8: | Baidu Drive | Google Drive |
|──────mnn-fp16: | Baidu Drive | Google Drive |
|──────mnn-int4: | Baidu Drive | Google Drive |
└──────tengine-fp32: | Baidu Drive | Google Drive |
v5lite-c.pt: Baidu Drive | Google Drive |└──────
openvino-fp16: | Baidu Drive | Google Drive |
v5lite-g.pt: | Baidu Drive | Google Drive |
Baidu Drive Password: pogg
$ python train.py --data coco.yaml --cfg v5lite-e.yaml --weights v5lite-e.pt --batch-size 128
v5lite-s.yaml --weights v5lite-s.pt --batch-size 128
v5lite-c.yaml v5lite-c.pt 96
v5lite-g.yaml v5lite-g.pt 64
# 一、v5系列改进
$ python train.py --img-size 640 --data myvoc.yaml --cfg models/v5Lite-c.yaml --hyp data/hyps/hyp.scratch.yaml --weights v5lite-c.pt --batch-size 8 --device 0
v5Lite-e.yaml v5lite-e.pt
v5Lite-g.yaml v5lite-g.pt
v5Lite-s.yaml v5lite-s.pt
# 二、yolox及改进系列：
# yoloxs-office____(纯silu，复现版，精度与官网接近)（17.2M）
$ python train.py --noautoanchor --img-size 640 --data myvoc.yaml --cfg models/yoloxs_official.yaml --hyp data/hyps/hyp.scratch.yolox.official.yaml --weights yolox-s.pt --batch-size 8 --epochs 300 --device 0
# yoloxs____(纯silu，修改后训练速度加快，精度与官网接近)（17.2M）
$ python train.py --noautoanchor --img-size 640 --data myvoc.yaml --cfg models/yoloxs_rslu.yaml --hyp data/hyps/hyp.scratch.yolox.yaml --weights yolox-s.pt --batch-size 8 --epochs 300 --device 0
# yoloxs_____(relu+silu，权重不变，推理速度加快，由于激活函数改变，精度稍微降低)（17.2M）
$ python train.py --noautoanchor --img-size 640 --data myvoc.yaml --cfg models/yoloxs.yaml --hyp data/hyps/hyp.scratch.yolox.yaml --weights yolox-s_rslu.pt --batch-size 8 --epochs 300 --device 0
# 【改进1】：前面v5的改进换上了yoloxs（头部通道为128）的head，anchor_free锚框机制
# yoloxs_Lite-c：（12.1M）
$ python train.py --noautoanchor --img-size 640 --data myvoc.yaml --cfg models/yoloxs_Lite_c.yaml --hyp data/hyps/hyp.scratch.yolox.yaml --weights v5lite-c.pt --batch-size 8 --epochs 300 --device 0
# yoloxs_Lite-e：（5.04M）
$ python train.py --noautoanchor --img-size 640 --data myvoc.yaml --cfg models/yoloxs_Lite_e.yaml --hyp data/hyps/hyp.scratch.yolox.yaml --weights v5lite-e.pt --batch-size 8 --epochs 300 --device 0
# yoloxs_Lite-g：（14.2M）
$ python train.py --noautoanchor --img-size 640 --data myvoc.yaml --cfg models/yoloxs_Lite_g.yaml --hyp data/hyps/hyp.scratch.yolox.yaml --weights v5lite-g.pt --batch-size 8 --epochs 300 --device 0
# yoloxs_Lite-s：（6.70M）
$ python train.py --noautoanchor --img-size 640 --data myvoc.yaml --cfg models/yoloxs_Lite_s.yaml --hyp data/hyps/hyp.scratch.yolox.yaml --weights v5lite-s.pt --batch-size 8 --epochs 300 --device 0
# 【改进2】：e和s系列换上了yolox-nano（头部通道为64）的head
# yoloxnano_Lite-e：（2.46M）
$ python train.py --noautoanchor --img-size 640 --data myvoc.yaml --cfg models/yoloxnano_Lite_e.yaml --hyp data/hyps/hyp.scratch.yolox.yaml --weights v5lite-e.pt --batch-size 8 --epochs 300 --device 0
# yoloxnano_Lite-s：（4.10M）
$ python train.py --noautoanchor --img-size 640 --data myvoc.yaml --cfg models/yoloxnano_Lite_s.yaml --hyp data/hyps/hyp.scratch.yolox.yaml --weights v5lite-s.pt --batch-size 8 --epochs 300 --device 0https://github.com/ultralytics/yolov5
React
Typescript
Django
Laravel
Facebook
Microsoft
Google
Alibaba
D3
Tencent