darknet 版YOLO CPU速度对比（yolov3 yolov4 yolo-faste yolobilest ）

z13228604287 · 发表于 2022-8-24 14:20:39

先上易语言：

常量名称	常量值	公开	备注
类名	<文本长度: 703>
Demo_YOLOv3	1
Demo_YOLOv4	2
Demo_YOLO_Fastest	3
Demo_YOLObile	4

数据类型名	公开	备注
YOLO_网络_配置
成员名	类型	传址	数组	备注
置信阈值	小数型			置信阈值
抑制阈值	小数型			非最大抑制阈值
输入宽度	整数型			网络输入图像的宽度
输入高度	整数型			网络输入图像的高度
模型配置	文本型
模型权重	文本型
网络名称	文本型

窗口程序集名	保留	保留	备注
YOLO
变量名	类型	数组	备注
置信阈值	小数型
抑制阈值	小数型
输入宽	整数型
输入高	整数型
网络名	文本型
类数组	文本型	0
网络	网络类
YOLO_网络	YOLO_网络_配置	4

子程序名	返回值类型	公开	备注
_初始化			当基于本类的对象被创建后，此方法会被自动调用

' YOLOv3
YOLO_网络 [1].置信阈值＝ 0.5
YOLO_网络 [1].抑制阈值＝ 0.4
YOLO_网络 [1].输入宽度＝ 416
YOLO_网络 [1].输入高度＝ 416
YOLO_网络 [1].模型配置＝ “E:\BaiduNetdiskDownload\yolov3\yolov3.cfg”
YOLO_网络 [1].模型权重＝ “E:\BaiduNetdiskDownload\\yolov3\yolov3.weights”
YOLO_网络 [1].网络名称＝ “YOLOv3”
' YOLOv4
YOLO_网络 [2].置信阈值＝ 0.5
YOLO_网络 [2].抑制阈值＝ 0.4
YOLO_网络 [2].输入宽度＝ 608
YOLO_网络 [2].输入高度＝ 608
YOLO_网络 [2].模型配置＝ “E:\BaiduNetdiskDownload\yolov4\yolov4.cfg”
YOLO_网络 [2].模型权重＝ “E:\BaiduNetdiskDownload\yolov4\yolov4.weights”
YOLO_网络 [2].网络名称＝ “YOLOv4”
' YOLO_Fastest
YOLO_网络 [3].置信阈值＝ 0.5
YOLO_网络 [3].抑制阈值＝ 0.4
YOLO_网络 [3].输入宽度＝ 320
YOLO_网络 [3].输入高度＝ 320
YOLO_网络 [3].模型配置＝ “E:\BaiduNetdiskDownload\yolo-fastest\yolo-fastest-xl.cfg”
YOLO_网络 [3].模型权重＝ “E:\BaiduNetdiskDownload\yolo-fastest\yolo-fastest-xl.weights”
YOLO_网络 [3].网络名称＝ “YOLO_Fastest”
' YOLObile
YOLO_网络 [4].置信阈值＝ 0.5
YOLO_网络 [4].抑制阈值＝ 0.4
YOLO_网络 [4].输入宽度＝ 320
YOLO_网络 [4].输入高度＝ 320
YOLO_网络 [4].模型配置＝ “E:\BaiduNetdiskDownload\yolobile\csdarknet53s-panet-spp.cfg”
YOLO_网络 [4].模型权重＝ “E:\BaiduNetdiskDownload\yolobile\yolobile.weights”
YOLO_网络 [4].网络名称＝ “YOLObile”

子程序名	返回值类型	公开	备注
_销毁			当基于本类的对象被销毁前，此方法会被自动调用

子程序名	返回值类型	公开	备注
初始化
参数名	类型	参考	可空	数组	备注
网络	整数型

视觉_控制台输出 (“网络使用 %T\r”, YOLO_网络 [网络].网络名称)
置信阈值＝ YOLO_网络 [网络].置信阈值
抑制阈值＝ YOLO_网络 [网络].抑制阈值
输入宽＝ YOLO_网络 [网络].输入宽度
输入高＝ YOLO_网络 [网络].输入高度
网络名＝ YOLO_网络 [网络].网络名称
类数组＝分割文本 ( #类名, #换行符, )
网络＝视觉_从Darknet读取网络 (YOLO_网络 [网络].模型配置, YOLO_网络 [网络].模型权重)
网络.设置首选后端 ( #网络_后端_OPENCV )
网络.设置首选目备 ( #网络_目标_CPU )

子程序名	返回值类型	公开	备注
检测识别
参数名	类型	参考	可空	数组	备注
输入图	多维矩阵类

变量名	类型	静态	数组	备注
预处理	多维矩阵类
输出数组	多维矩阵类		0
频率	双精度小数型
时间	双精度小数型
网络层计时数组	双精度小数型		0
标签	文本型

预处理＝视觉_图像前景目标 (输入图, 1 ÷ 255, 尺寸2i (输入宽, 输入高), 标量 (0, 0, 0), 真, 假, 5)
网络.设置输入 (预处理, “”, 1, )
网络.前向计算V (输出数组, 网络.获取未连接的输出层名称 ())
后期处理 (输入图, 输出数组)
频率＝视觉_获取滴答频率 () ÷ 1000
时间＝网络.视觉_获取性能 (网络层计时数组) ÷ 频率
标签＝网络名＋ “ Inference time :” ＋到文本 (四舍五入 (时间, 2))
视觉_放置文本 (输入图, 标签, 点2i (0, 30), #字体_衬线_简单, 1, 标量 (0, 0, 255), 2, 8, 假)

子程序名	返回值类型	公开	备注
后期处理			使用非极大值抑制去除置信度低的边界框
参数名	类型	参考	可空	数组	备注
输入图	多维矩阵类
输出数组	多维矩阵类

变量名	类型	静态	数组	备注
类ID数组	整数型		0
置信度数组	小数型		0
预测框数组	矩形2i类		0
i	整数型
数据指针	小数型指针类
j	整数型
分	多维矩阵类
类ID位置	点2i类
置信度	双精度小数型
中心X	整数型
中心Y	整数型
宽	整数型
高	整数型
左	整数型
上	整数型
筛选数组	整数型		0
预测id	整数型
预测框	矩形2i类

计次循环首 (取数组成员数 (输出数组), i)

' 扫描网络输出的所有边框，只保留具有高置信度分数的那些。将框的类标签分配为类得分最高的框。

数据指针.指针＝输出数组 [i].数据指针 ()

变量循环首 (0, 输出数组 [i].行数 () － 1, 1, j)

分＝输出数组 [i].行 (j).列范围 (5, 输出数组 [i].列数 ())

' 获取最高分的数值和位置

视觉_最小最大位置 (分, , 置信度, , 类ID位置, )

如果真 (置信度＞置信阈值)

中心X ＝数据指针.读 (0) × 输入图.列数 ()

中心Y ＝数据指针.读 (1) × 输入图.行数 ()

宽＝数据指针.读 (2) × 输入图.列数 ()

高＝数据指针.读 (3) × 输入图.行数 ()

左＝中心X －宽 ÷ 2

上＝中心Y －高 ÷ 2

加入成员 (类ID数组, 类ID位置.左边)

加入成员 (置信度数组, 置信度)

加入成员 (预测框数组, 矩形2i (左, 上, 宽, 高))

数据指针.偏移 (输出数组 [i].列数 ())

变量循环尾 ()

计次循环尾 ()
' // 执行非最大抑制以消除冗余重叠框
' // 降低置信度
视觉_非最大抑制 (预测框数组, 置信度数组, 置信阈值, 抑制阈值, 筛选数组, 1, 0)

计次循环首 (取数组成员数 (筛选数组), i)

预测id ＝筛选数组 [i] ＋ 1

预测框＝预测框数组 [预测id]

绘制预测 (类ID数组 [预测id], 置信度数组 [预测id], 预测框.左边, 预测框.顶边, 预测框.左边＋预测框.宽度, 预测框.顶边＋预测框.高度, 输入图)

计次循环尾 ()

子程序名	返回值类型	公开	备注
绘制预测
参数名	类型	参考	可空	数组	备注
classId	整数型
conf	小数型
left	整数型
top	整数型
right	整数型
bottom	整数型
frame	多维矩阵类

变量名	类型	静态	数组	备注
baseLine	整数型
labelSize	尺寸2i类
label	文本型

' //原图显示边框的矩形
视觉_矩形P (frame, 点2i (left, top), 点2i (right, bottom), 标量 (0, 0, 255), 3, 8, 0)
' //获取类名的标签及其置信度
label ＝到文本 (四舍五入 (conf, 2))

如果真 (取数组成员数 (类数组) ≠ 0)

' //修正易语言数组偏移

classId ＝ classId ＋ 1

如果真 (classId ＞取数组成员数 (类数组))

视觉_控制台输出 (“类名数组下标错误\n”, )

暂停 ()

label ＝类数组 [classId] ＋ “:” ＋ label
' //在边框顶部显示标签
labelSize ＝视觉_获取文本尺寸 (label, #字体_衬线_简单, 0.5, 1, baseLine)
top ＝视觉_取最大值 (top, labelSize.高)
' 视觉_矩形1 (frame, 点2i (left, top － 1.5 × labelSize.高), 点2i (left ＋ 1.5 × labelSize.宽, top ＋ baseLine), 标量 (0, 255, 0), #线类型_填满, 8, 0)
视觉_放置文本 (frame, label, 点2i (left, top), #字体_衬线_简单, 0.75, 标量 (0, 255, 0), 1, 8, 假)

i支持库列表	支持库注释
OpenCV	(未知支持库)

.版本 2<br />
.支持库 OpenCV<br />
<br />
.程序集 YOLO<br />
.程序集变量 置信阈值, 小数型<br />
.程序集变量 抑制阈值, 小数型<br />
.程序集变量 输入宽, 整数型<br />
.程序集变量 输入高, 整数型<br />
.程序集变量 网络名, 文本型<br />
.程序集变量 类数组, 文本型, , "0"<br />
.程序集变量 网络, 网络类<br />
.程序集变量 YOLO_网络, YOLO_网络_配置, , "4"<br />
<br />
.子程序 _初始化, , , 当基于本类的对象被创建后，此方法会被自动调用<br />
<br />
' YOLOv3<br />
YOLO_网络 [1].置信阈值 ＝ 0.5<br />
YOLO_网络 [1].抑制阈值 ＝ 0.4<br />
YOLO_网络 [1].输入宽度 ＝ 416<br />
YOLO_网络 [1].输入高度 ＝ 416<br />
YOLO_网络 [1].模型配置 ＝ “E:\BaiduNetdiskDownload\yolov3\yolov3.cfg”<br />
YOLO_网络 [1].模型权重 ＝ “E:\BaiduNetdiskDownload\\yolov3\yolov3.weights”<br />
YOLO_网络 [1].网络名称 ＝ “YOLOv3”<br />
' YOLOv4<br />
YOLO_网络 [2].置信阈值 ＝ 0.5<br />
YOLO_网络 [2].抑制阈值 ＝ 0.4<br />
YOLO_网络 [2].输入宽度 ＝ 608<br />
YOLO_网络 [2].输入高度 ＝ 608<br />
YOLO_网络 [2].模型配置 ＝ “E:\BaiduNetdiskDownload\yolov4\yolov4.cfg”<br />
YOLO_网络 [2].模型权重 ＝ “E:\BaiduNetdiskDownload\yolov4\yolov4.weights”<br />
YOLO_网络 [2].网络名称 ＝ “YOLOv4”<br />
' YOLO_Fastest<br />
YOLO_网络 [3].置信阈值 ＝ 0.5<br />
YOLO_网络 [3].抑制阈值 ＝ 0.4<br />
YOLO_网络 [3].输入宽度 ＝ 320<br />
YOLO_网络 [3].输入高度 ＝ 320<br />
YOLO_网络 [3].模型配置 ＝ “E:\BaiduNetdiskDownload\yolo-fastest\yolo-fastest-xl.cfg”<br />
YOLO_网络 [3].模型权重 ＝ “E:\BaiduNetdiskDownload\yolo-fastest\yolo-fastest-xl.weights”<br />
YOLO_网络 [3].网络名称 ＝ “YOLO_Fastest”<br />
<br />
' YOLObile<br />
YOLO_网络 [4].置信阈值 ＝ 0.5<br />
YOLO_网络 [4].抑制阈值 ＝ 0.4<br />
YOLO_网络 [4].输入宽度 ＝ 320<br />
YOLO_网络 [4].输入高度 ＝ 320<br />
YOLO_网络 [4].模型配置 ＝ “E:\BaiduNetdiskDownload\yolobile\csdarknet53s-panet-spp.cfg”<br />
YOLO_网络 [4].模型权重 ＝ “E:\BaiduNetdiskDownload\yolobile\yolobile.weights”<br />
YOLO_网络 [4].网络名称 ＝ “YOLObile”<br />
<br />
.子程序 _销毁, , , 当基于本类的对象被销毁前，此方法会被自动调用<br />
<br />
<br />
<br />
.子程序 初始化, , 公开<br />
.参数 网络, 整数型, 可空<br />
<br />
视觉_控制台输出 (“网络 使用 %T\r”, YOLO_网络 [网络].网络名称)<br />
置信阈值 ＝ YOLO_网络 [网络].置信阈值<br />
抑制阈值 ＝ YOLO_网络 [网络].抑制阈值<br />
输入宽 ＝ YOLO_网络 [网络].输入宽度<br />
输入高 ＝ YOLO_网络 [网络].输入高度<br />
网络名 ＝ YOLO_网络 [网络].网络名称<br />
类数组 ＝ 分割文本 (#类名, #换行符, )<br />
网络 ＝ 视觉_从Darknet读取网络 (YOLO_网络 [网络].模型配置, YOLO_网络 [网络].模型权重)<br />
网络.设置首选后端 (#网络_后端_OPENCV)<br />
网络.设置首选目备 (#网络_目标_CPU)<br />
<br />
.子程序 检测识别, , 公开<br />
.参数 输入图, 多维矩阵类<br />
.局部变量 预处理, 多维矩阵类<br />
.局部变量 输出数组, 多维矩阵类, , "0"<br />
.局部变量 频率, 双精度小数型<br />
.局部变量 时间, 双精度小数型<br />
.局部变量 网络层计时数组, 双精度小数型, , "0"<br />
.局部变量 标签, 文本型<br />
<br />
预处理 ＝ 视觉_图像前景目标 (输入图, 1 ÷ 255, 尺寸2i (输入宽, 输入高), 标量 (0, 0, 0), 真, 假, 5)<br />
网络.设置输入 (预处理, “”, 1, )<br />
网络.前向计算V (输出数组, 网络.获取未连接的输出层名称 ())<br />
后期处理 (输入图, 输出数组)<br />
频率 ＝ 视觉_获取滴答频率 () ÷ 1000<br />
时间 ＝ 网络.视觉_获取性能 (网络层计时数组) ÷ 频率<br />
标签 ＝ 网络名 ＋ “ Inference time :” ＋ 到文本 (四舍五入 (时间, 2))<br />
视觉_放置文本 (输入图, 标签, 点2i (0, 30), #字体_衬线_简单, 1, 标量 (0, 0, 255), 2, 8, 假)<br />
<br />
.子程序 后期处理, , , 使用非极大值抑制去除置信度低的边界框<br />
.参数 输入图, 多维矩阵类<br />
.参数 输出数组, 多维矩阵类, 数组<br />
.局部变量 类ID数组, 整数型, , "0"<br />
.局部变量 置信度数组, 小数型, , "0"<br />
.局部变量 预测框数组, 矩形2i类, , "0"<br />
.局部变量 i, 整数型<br />
.局部变量 数据指针, 小数型指针类<br />
.局部变量 j, 整数型<br />
.局部变量 分, 多维矩阵类<br />
.局部变量 类ID位置, 点2i类<br />
.局部变量 置信度, 双精度小数型<br />
.局部变量 中心X, 整数型<br />
.局部变量 中心Y, 整数型<br />
.局部变量 宽, 整数型<br />
.局部变量 高, 整数型<br />
.局部变量 左, 整数型<br />
.局部变量 上, 整数型<br />
.局部变量 筛选数组, 整数型, , "0"<br />
.局部变量 预测id, 整数型<br />
.局部变量 预测框, 矩形2i类<br />
<br />
.计次循环首 (取数组成员数 (输出数组), i)<br />
    ' 扫描网络输出的所有边框，只保留具有高置信度分数的那些。 将框的类标签分配为类得分最高的框。<br />
    数据指针.指针 ＝ 输出数组 <i>.数据指针 ()<br />
    .变量循环首 (0, 输出数组 <i>.行数 () － 1, 1, j)<br />
        分 ＝ 输出数组 <i>.行 (j).列范围 (5, 输出数组 <i>.列数 ())<br />
        ' 获取最高分的数值和位置<br />
        视觉_最小最大位置 (分, , 置信度, , 类ID位置, )<br />
        .如果真 (置信度 ＞ 置信阈值)<br />
            中心X ＝ 数据指针.读 (0) × 输入图.列数 ()<br />
            中心Y ＝ 数据指针.读 (1) × 输入图.行数 ()<br />
            宽 ＝ 数据指针.读 (2) × 输入图.列数 ()<br />
            高 ＝ 数据指针.读 (3) × 输入图.行数 ()<br />
            左 ＝ 中心X － 宽 ÷ 2<br />
            上 ＝ 中心Y － 高 ÷ 2<br />
            加入成员 (类ID数组, 类ID位置.左边)<br />
            加入成员 (置信度数组, 置信度)<br />
            加入成员 (预测框数组, 矩形2i (左, 上, 宽, 高))<br />
        .如果真结束<br />
        数据指针.偏移 (输出数组 <i>.列数 ())<br />
    .变量循环尾 ()<br />
.计次循环尾 ()<br />
' // 执行非最大抑制以消除冗余重叠框<br />
' // 降低置信度<br />
视觉_非最大抑制 (预测框数组, 置信度数组, 置信阈值, 抑制阈值, 筛选数组, 1, 0)<br />
.计次循环首 (取数组成员数 (筛选数组), i)<br />
    预测id ＝ 筛选数组 <i> ＋ 1<br />
    预测框 ＝ 预测框数组 [预测id]<br />
    绘制预测 (类ID数组 [预测id], 置信度数组 [预测id], 预测框.左边, 预测框.顶边, 预测框.左边 ＋ 预测框.宽度, 预测框.顶边 ＋ 预测框.高度, 输入图)<br />
.计次循环尾 ()<br />
<br />
.子程序 绘制预测<br />
.参数 classId, 整数型<br />
.参数 conf, 小数型<br />
.参数 left, 整数型<br />
.参数 top, 整数型<br />
.参数 right, 整数型<br />
.参数 bottom, 整数型<br />
.参数 frame, 多维矩阵类<br />
.局部变量 baseLine, 整数型<br />
.局部变量 labelSize, 尺寸2i类<br />
.局部变量 label, 文本型<br />
<br />
' //原图显示边框的矩形<br />
视觉_矩形P (frame, 点2i (left, top), 点2i (right, bottom), 标量 (0, 0, 255), 3, 8, 0)<br />
' //获取类名的标签及其置信度<br />
label ＝ 到文本 (四舍五入 (conf, 2))<br />
.如果真 (取数组成员数 (类数组) ≠ 0)<br />
    ' //修正易语言数组 偏移<br />
    classId ＝ classId ＋ 1<br />
    .如果真 (classId ＞ 取数组成员数 (类数组))<br />
        视觉_控制台输出 (“类名数组 下标错误\n”, )<br />
        暂停 ()<br />
    .如果真结束<br />
    label ＝ 类数组 [classId] ＋ “:” ＋ label<br />
.如果真结束<br />
' //在边框顶部显示标签<br />
labelSize ＝ 视觉_获取文本尺寸 (label, #字体_衬线_简单, 0.5, 1, baseLine)<br />
top ＝ 视觉_取最大值 (top, labelSize.高)<br />
' 视觉_矩形1 (frame, 点2i (left, top － 1.5 × labelSize.高), 点2i (left ＋ 1.5 × labelSize.宽, top ＋ baseLine), 标量 (0, 255, 0), #线类型_填满, 8, 0)<br />
视觉_放置文本 (frame, label, 点2i (left, top), #字体_衬线_简单, 0.75, 标量 (0, 255, 0), 1, 8, 假)

窗口程序集名	保留	保留	备注
YOLO

子程序名	返回值类型	公开	备注
_启动子程序	整数型		本子程序在程序启动后最先执行

变量名	类型	静态	数组	备注
YOLO网络	YOLO
图片路径	文本型
输入图片	多维矩阵类
窗口名称	文本型

YOLO网络.初始化 ( #Demo_YOLO_Fastest )
图片路径＝ “C:\Users\hanyo\Desktop\yolov34-cpp-opencv-dnn-master\person.jpg”
输入图片＝视觉_图像读取 (图片路径, 1)
YOLO网络.检测识别 (输入图片)
窗口名称＝ “易语言 OpenCV 中的深度学习对象检测”
视觉_创建窗口 (窗口名称, #窗口_标准 )
视觉_显示图像 (窗口名称, 输入图片)
视觉_等待按键 (0)
视觉_销毁所有窗口 ()
返回 (0) ' 可以根据您的需要返回任意数值