Yolo-FastestV2 CPU 实时检测

z13228604287

yolo-fastestV2版本已发布：[color=var(--color-accent-fg)]https ://github.com/dog-qiuqiu/Yolo-FastestV2

• 简单、快速、紧凑、易于移植
• 资源占用少，单核性能出色，功耗更低
• 更快更小：以 0.3% 的精度损失换取推理速度提高 30%，参数量减少 25%
• 训练速度快，算力要求低，训练只需要3GB显存，gtx1660ti训练COCO 1个epoch只需要4分钟
  

  

窗口程序集名	保 留	保 留	备 注
YOLO_Fast			https://github.com/dog-qiuqiu/Yolo-FastestV2
变量名	类 型	数组	备 注
锚	小数型	2,6
步	小数型	0
输入宽	整数型
输入高	整数型
阶段数	整数型
锚数	整数型
对象阈值	小数型
置信阈值	小数型
抑制阈值	小数型
类名数组	文本型	0
类名数	整数型
网络	网络类

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

锚 [1] [1] ＝ 12.64
锚 [1] [2] ＝ 19.39
锚 [1] [3] ＝ 37.88
锚 [1] [4] ＝ 51.48
锚 [1] [5] ＝ 55.71
锚 [1] [6] ＝ 138.31
锚 [2] [1] ＝ 126.91
锚 [2] [2] ＝ 78.23
锚 [2] [3] ＝ 131.57
锚 [2] [4] ＝ 214.55
锚 [2] [5] ＝ 279.92
锚 [2] [6] ＝ 258.87
步 ＝ { 16, 32 }
类名数组 ＝ 分割文本 ( #coco, #换行符, )
类名数 ＝ 取数组成员数 (类名数组)
输入宽 ＝ 352
输入高 ＝ 352
阶段数 ＝ 2
锚数 ＝ 3

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
模型路径	文本型
对象_阈值	小数型
置信_阈值	小数型
抑制_阈值	小数型

对象阈值 ＝ 对象_阈值
置信阈值 ＝ 置信_阈值
抑制阈值 ＝ 抑制_阈值
网络 ＝ 视觉_读取网络 (模型路径, , “”)

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
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
高系数	小数型
宽系数	小数型
n	整数型
q	整数型
i	整数型
j	整数型
步进	整数型
行	整数型
数据指针	小数型指针类
X网格数	整数型
Y网格数	整数型
分	多维矩阵类
类ID位置	点2i类
最大类得分	双精度小数型
锚_宽	小数型
锚_高	小数型
预测框分	小数型
中心X	小数型
中心Y	小数型
宽	小数型
高	小数型
左	小数型
顶	小数型
抑制数组	整数型		0
目标ID	整数型
目标预测框	矩形2i类
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), , 假, 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 ())
高系数 ＝ 输入图.行数 () ÷ 输入高
宽系数 ＝ 输入图.列数 () ÷ 输入宽
步进 ＝ 锚数 × 5 ＋ 取数组成员数 (类名数组)
数据指针.指针 ＝ 输出数组 [1].数据指针 ()
计次循环首 (阶段数, n)
X网格数 ＝ 输入宽 ÷ 步 [n]
Y网格数 ＝ 输入高 ÷ 步 [n]
变量循环首 (0, Y网格数 － 1, 1, i)
变量循环首 (0, X网格数 － 1, 1, j)
分 ＝ 输出数组 [1].行 (行).列范围 (锚数 × 5, 输出数组 [1].列数 ())
' 获取最高分的数值和位置
视觉_最小最大位置 (分, , 最大类得分, , 类ID位置, )
变量循环首 (0, 锚数 － 1, 1, q)
锚_宽 ＝ 锚 [n] [q × 2 ＋ 1]
锚_高 ＝ 锚 [n] [q × 2 ＋ 2]
预测框分 ＝ 数据指针.读 (4 × 锚数 ＋ q)
如果真 (预测框分 ＞ 对象阈值 且 最大类得分 ＞ 置信阈值)
中心X ＝ (数据指针.读 (4 × q) × 2 － 0.5 ＋ j) × 步 [n]
中心Y ＝ (数据指针.读 (4 × q ＋ 1) × 2 － 0.5 ＋ i) × 步 [n]
宽 ＝ 求次方 (数据指针.读 (4 × q ＋ 2) × 2, 2) × 锚_宽
高 ＝ 求次方 (数据指针.读 (4 × q ＋ 3) × 2, 2) × 锚_高
左 ＝ (中心X － 0.5 × 宽) × 宽系数
顶 ＝ (中心Y － 0.5 × 高) × 高系数
加入成员 (类ID数组, 类ID位置.左边)
加入成员 (置信度数组, 预测框分 × 最大类得分)
加入成员 (预测框数组, 矩形2i (左, 顶, 宽 × 宽系数, 高 × 高系数))

变量循环尾 ()
行 ＝ 行 ＋ 1
数据指针.偏移 (步进)
变量循环尾 ()
变量循环尾 ()
计次循环尾 ()
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, 抑制数组, 1, 0)
计次循环首 (取数组成员数 (抑制数组), i)
目标ID ＝ 抑制数组 [i] ＋ 1
目标预测框 ＝ 预测框数组 [目标ID]
绘制预测 (类ID数组 [目标ID], 置信度数组 [目标ID], 目标预测框.左边, 目标预测框.顶边, 目标预测框.左边 ＋ 目标预测框.宽度, 目标预测框.顶边 ＋ 目标预测框.高度, 输入图)
计次循环尾 ()
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 ＝ “Yolo-FastestV2 Inference time :” ＋ 到文本 (四舍五入 (时间, 2)) ＋ “ms”
视觉_放置文本 (输入图, 标签, 点2i (0, 20), #字体_衬线_简单, 0.5, 标量 (0, 0, 255), 1, 8, 假)

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
类ID	整数型
置信度	小数型
左	整数型
顶	整数型
右	整数型
底	整数型
输入图	多维矩阵类

变量名	类 型	静态	数组	备 注
基线	整数型
标签尺寸	尺寸2i类
标签	文本型

' //原图显示边框的矩形
视觉_矩形P (输入图, 点2i (左, 顶), 点2i (右, 底), 标量 (0, 0, 255), 3, 8, 0)
' //获取类名的标签及其置信度
标签 ＝ 到文本 (四舍五入 (置信度, 2))
' //修正易语言数组 偏移
类ID ＝ 类ID ＋ 1
标签 ＝ 类名数组 [类ID] ＋ “:” ＋ 标签
' //在边框顶部显示标签
标签尺寸 ＝ 视觉_获取文本尺寸 (标签, #字体_衬线_简单, 0.5, 1, 基线)
顶 ＝ 视觉_取最大值 (顶, 标签尺寸.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 (输入图, 标签, 点2i (左, 顶), #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_Fast, , , https://github.com/dog-qiuqiu/Yolo-FastestV2<br /> .程序集变量 锚, 小数型, , "2,6"<br /> .程序集变量 步, 小数型, , "0"<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 阶段数, 整数型<br /> .程序集变量 锚数, 整数型<br /> .程序集变量 对象阈值, 小数型<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 类名数组, 文本型, , "0"<br /> .程序集变量 类名数, 整数型<br /> .程序集变量 网络, 网络类<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 /> 锚 [1] [1] ＝ 12.64<br /> 锚 [1] [2] ＝ 19.39<br /> 锚 [1] [3] ＝ 37.88<br /> 锚 [1] [4] ＝ 51.48<br /> 锚 [1] [5] ＝ 55.71<br /> 锚 [1] [6] ＝ 138.31<br /> 锚 [2] [1] ＝ 126.91<br /> 锚 [2] [2] ＝ 78.23<br /> 锚 [2] [3] ＝ 131.57<br /> 锚 [2] [4] ＝ 214.55<br /> 锚 [2] [5] ＝ 279.92<br /> 锚 [2] [6] ＝ 258.87<br /> 步 ＝ { 16, 32 }<br /> 类名数组 ＝ 分割文本 (#coco, #换行符, )<br /> 类名数 ＝ 取数组成员数 (类名数组)<br /> 输入宽 ＝ 352<br /> 输入高 ＝ 352<br /> 阶段数 ＝ 2<br /> 锚数 ＝ 3<br /> <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 模型路径, 文本型<br /> .参数 对象_阈值, 小数型<br /> .参数 置信_阈值, 小数型<br /> .参数 抑制_阈值, 小数型<br /> <br /> 对象阈值 ＝ 对象_阈值<br /> 置信阈值 ＝ 置信_阈值<br /> 抑制阈值 ＝ 抑制_阈值<br /> 网络 ＝ 视觉_读取网络 (模型路径, , “”)<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 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 高系数, 小数型<br /> .局部变量 宽系数, 小数型<br /> .局部变量 n, 整数型<br /> .局部变量 q, 整数型<br /> .局部变量 i, 整数型<br /> .局部变量 j, 整数型<br /> .局部变量 步进, 整数型<br /> .局部变量 行, 整数型<br /> .局部变量 数据指针, 小数型指针类<br /> .局部变量 X网格数, 整数型<br /> .局部变量 Y网格数, 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 最大类得分, 双精度小数型<br /> .局部变量 锚_宽, 小数型<br /> .局部变量 锚_高, 小数型<br /> .局部变量 预测框分, 小数型<br /> .局部变量 中心X, 小数型<br /> .局部变量 中心Y, 小数型<br /> .局部变量 宽, 小数型<br /> .局部变量 高, 小数型<br /> .局部变量 左, 小数型<br /> .局部变量 顶, 小数型<br /> .局部变量 抑制数组, 整数型, , "0"<br /> .局部变量 目标ID, 整数型<br /> .局部变量 目标预测框, 矩形2i类<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), , 假, 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 /> 高系数 ＝ 输入图.行数 () ÷ 输入高<br /> 宽系数 ＝ 输入图.列数 () ÷ 输入宽<br /> 步进 ＝ 锚数 × 5 ＋ 取数组成员数 (类名数组)<br /> 数据指针.指针 ＝ 输出数组 [1].数据指针 ()<br /> .计次循环首 (阶段数, n)<br />     X网格数 ＝ 输入宽 ÷ 步 [n]<br />     Y网格数 ＝ 输入高 ÷ 步 [n]<br />     .变量循环首 (0, Y网格数 － 1, 1, i)<br />         .变量循环首 (0, X网格数 － 1, 1, j)<br />             分 ＝ 输出数组 [1].行 (行).列范围 (锚数 × 5, 输出数组 [1].列数 ())<br />             ' 获取最高分的数值和位置<br />             视觉_最小最大位置 (分, , 最大类得分, , 类ID位置, )<br />             .变量循环首 (0, 锚数 － 1, 1, q)<br />                 锚_宽 ＝ 锚 [n] [q × 2 ＋ 1]<br />                 锚_高 ＝ 锚 [n] [q × 2 ＋ 2]<br />                 预测框分 ＝ 数据指针.读 (4 × 锚数 ＋ q)<br />                 .如果真 (预测框分 ＞ 对象阈值 且 最大类得分 ＞ 置信阈值)<br />                     中心X ＝ (数据指针.读 (4 × q) × 2 － 0.5 ＋ j) × 步 [n]<br />                     中心Y ＝ (数据指针.读 (4 × q ＋ 1) × 2 － 0.5 ＋ i) × 步 [n]<br />                     宽 ＝ 求次方 (数据指针.读 (4 × q ＋ 2) × 2, 2) × 锚_宽<br />                     高 ＝ 求次方 (数据指针.读 (4 × q ＋ 3) × 2, 2) × 锚_高<br />                     左 ＝ (中心X － 0.5 × 宽) × 宽系数<br />                     顶 ＝ (中心Y － 0.5 × 高) × 高系数<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, 预测框分 × 最大类得分)<br />                     加入成员 (预测框数组, 矩形2i (左, 顶, 宽 × 宽系数, 高 × 高系数))<br />                 .如果真结束<br /> <br />             .变量循环尾 ()<br />             行 ＝ 行 ＋ 1<br />             数据指针.偏移 (步进)<br />         .变量循环尾 ()<br />     .变量循环尾 ()<br /> .计次循环尾 ()<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, 抑制数组, 1, 0)<br /> .计次循环首 (取数组成员数 (抑制数组), i)<br />     目标ID ＝ 抑制数组 <i> ＋ 1<br />     目标预测框 ＝ 预测框数组 [目标ID]<br />     绘制预测 (类ID数组 [目标ID], 置信度数组 [目标ID], 目标预测框.左边, 目标预测框.顶边, 目标预测框.左边 ＋ 目标预测框.宽度, 目标预测框.顶边 ＋ 目标预测框.高度, 输入图)<br /> .计次循环尾 ()<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 ＝ “Yolo-FastestV2 Inference time :” ＋ 到文本 (四舍五入 (时间, 2)) ＋ “ms”<br /> 视觉_放置文本 (输入图, 标签, 点2i (0, 20), #字体_衬线_简单, 0.5, 标量 (0, 0, 255), 1, 8, 假)<br /> <br /> .子程序 绘制预测<br /> .参数 类ID, 整数型<br /> .参数 置信度, 小数型<br /> .参数 左, 整数型<br /> .参数 顶, 整数型<br /> .参数 右, 整数型<br /> .参数 底, 整数型<br /> .参数 输入图, 多维矩阵类<br /> .局部变量 基线, 整数型<br /> .局部变量 标签尺寸, 尺寸2i类<br /> .局部变量 标签, 文本型<br /> <br /> ' //原图显示边框的矩形<br /> 视觉_矩形P (输入图, 点2i (左, 顶), 点2i (右, 底), 标量 (0, 0, 255), 3, 8, 0)<br /> ' //获取类名的标签及其置信度<br /> 标签 ＝ 到文本 (四舍五入 (置信度, 2))<br /> ' //修正易语言数组 偏移<br /> 类ID ＝ 类ID ＋ 1<br /> 标签 ＝ 类名数组 [类ID] ＋ “:” ＋ 标签<br /> ' //在边框顶部显示标签<br /> 标签尺寸 ＝ 视觉_获取文本尺寸 (标签, #字体_衬线_简单, 0.5, 1, 基线)<br /> 顶 ＝ 视觉_取最大值 (顶, 标签尺寸.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 (输入图, 标签, 点2i (左, 顶), #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_Fastestv2			QQ 群164579213

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_Fastv2	YOLO_Fast
imgpath	文本型
srcimg	多维矩阵类
kWinName	文本型

YOLO_Fastv2.初始化 (“C:\Users\hanyo\Desktop\yolo-fastestv2-opencv-main\model.onnx”, 0.3, 0.3, 0.4)
imgpath ＝ “C:\Users\hanyo\Desktop\yolo-fastestv2-opencv-main\img\000181.jpg”
srcimg ＝ 视觉_图像读取 (imgpath, 1)
YOLO_Fastv2.检测识别 (srcimg)
kWinName ＝ “易语言 深度学习对象检测”
视觉_创建窗口 (kWinName, #窗口_标准 )
视觉_显示图像 (kWinName, srcimg)
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

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_Fastestv2, , , QQ 群164579213<br /> <br /> .子程序 _启动子程序, 整数型, , 本子程序在程序启动后最先执行<br /> .局部变量 YOLO_Fastv2, YOLO_Fast<br /> .局部变量 imgpath, 文本型<br /> .局部变量 srcimg, 多维矩阵类<br /> .局部变量 kWinName, 文本型<br /> <br /> YOLO_Fastv2.初始化 (“C:\Users\hanyo\Desktop\yolo-fastestv2-opencv-main\model.onnx”, 0.3, 0.3, 0.4)<br /> imgpath ＝ “C:\Users\hanyo\Desktop\yolo-fastestv2-opencv-main\img\000181.jpg”<br /> srcimg ＝ 视觉_图像读取 (imgpath, 1)<br /> YOLO_Fastv2.检测识别 (srcimg)<br /> kWinName ＝ “易语言 深度学习对象检测”<br /> 视觉_创建窗口 (kWinName, #窗口_标准)<br /> 视觉_显示图像 (kWinName, srcimg)<br /> 视觉_等待按键 (0)<br /> 视觉_销毁所有窗口 ()<br /> <br /> 返回 (0)  ' 可以根据您的需要返回任意数值

FhL333

谢谢，很有通用，加油

xujunfengswxj

**

wxy58761114

大佬。我想进群

z13228604287

大家好我是新手 发表于 2022-8-24 21:19
32ms 搞错了吧

没有错  cpu  32ms

大家好我是新手

32ms 搞错了吧