登录/注册
与非网论坛 »首页 › 话题 › #板卡评测 › 【树莓派5 测评】 + 16.yolo-v3测试（zmj）

赞

回答

收藏

[评测分享] 【树莓派5 测评】 + 16.yolo-v3测试（zmj）

#板卡评测 #板卡评测 2852 人阅读 | 0 人回复 | 2024-04-30

【树莓派5 测评】 + 16.yolo-v3测试（zmj）
YOLO是You Look once的简称，是目标检测算法中比较常用的一种算法。YOLO-V3是目标检测算法中的YOLO算法的第三个版本。在这个版本中其实并没有太多的创新点，更多的是借鉴了前两个版本，但是却在保持速度的同时，在精度上做了优化。
YOLO-V3所使用的主干特征提取网络为Darknet53，它作为一个单独的神经网络作用在图像上，将图像划分成多个区域并且预测边界框和每个区域的概率。
//------darknet
https://pjreddie.com/darknet/


1.        安装YOLO
安装YOLO的过程十分简单，下载darknet后编译即可。
  1. //------安装指令
  2. //---下载并进入darknet目录
  3. git clone [url]https://github.com/pjreddie/darknet[/url]
  4. cd darknet
  5. //---编译安装
  6. make
  7. //------下载权重模型并测试
  8. //---yolov3-tiny
  9. wget [url]https://pjreddie.com/media/files/yolov3-tiny.weights[/url]
  10. ./darknet detect cfg/yolov3-tiny.cfg yolov3-tiny.weights data/dog.jpg
  11. //---yolov3
  12. wget [url]https://pjreddie.com/media/files/yolov3.weights[/url]
  13. ./darknet detector test cfg/coco.data cfg/yolov3.cfg yolov3.weights data/dog.jpg
复制代码

2.        模型下载及测试
测试yolov3-tiny和yolov3这两种模型。
2.1        下载测试
  1. //------下载权重模型并测试
  2. //---yolov3-tiny
  3. wget https://pjreddie.com/media/files/yolov3-tiny.weights
  4. ./darknet detect cfg/yolov3-tiny.cfg yolov3-tiny.weights data/dog.jpg
  5. //---yolov3
  6. wget https://pjreddie.com/media/files/yolov3.weights
  7. ./darknet detector test cfg/coco.data cfg/yolov3.cfg yolov3.weights data/dog.jpg
  8. //------Log信息
  9. zhaomeijing@raspberrypi5:~/workspace/04_yolo/darknet$ ./darknet detect cfg/yolov3-tiny.cfg yolov3-tiny.weights data/dog.jpg
  10. layer     filters    size              input                output
  11.     0 conv     16  3 x 3 / 1   416 x 416 x   3   ->   416 x 416 x  16  0.150 BFLOPs
  12.     1 max          2 x 2 / 2   416 x 416 x  16   ->   208 x 208 x  16
  13.     2 conv     32  3 x 3 / 1   208 x 208 x  16   ->   208 x 208 x  32  0.399 BFLOPs
  14.     3 max          2 x 2 / 2   208 x 208 x  32   ->   104 x 104 x  32
  15.     4 conv     64  3 x 3 / 1   104 x 104 x  32   ->   104 x 104 x  64  0.399 BFLOPs
  16.     5 max          2 x 2 / 2   104 x 104 x  64   ->    52 x  52 x  64
  17.     6 conv    128  3 x 3 / 1    52 x  52 x  64   ->    52 x  52 x 128  0.399 BFLOPs
  18.     7 max          2 x 2 / 2    52 x  52 x 128   ->    26 x  26 x 128
  19.     8 conv    256  3 x 3 / 1    26 x  26 x 128   ->    26 x  26 x 256  0.399 BFLOPs
  20.     9 max          2 x 2 / 2    26 x  26 x 256   ->    13 x  13 x 256
  21.    10 conv    512  3 x 3 / 1    13 x  13 x 256   ->    13 x  13 x 512  0.399 BFLOPs
  22.    11 max          2 x 2 / 1    13 x  13 x 512   ->    13 x  13 x 512
  23.    12 conv   1024  3 x 3 / 1    13 x  13 x 512   ->    13 x  13 x1024  1.595 BFLOPs
  24.    13 conv    256  1 x 1 / 1    13 x  13 x1024   ->    13 x  13 x 256  0.089 BFLOPs
  25.    14 conv    512  3 x 3 / 1    13 x  13 x 256   ->    13 x  13 x 512  0.399 BFLOPs
  26.    15 conv    255  1 x 1 / 1    13 x  13 x 512   ->    13 x  13 x 255  0.044 BFLOPs
  27.    16 yolo
  28.    17 route  13
  29.    18 conv    128  1 x 1 / 1    13 x  13 x 256   ->    13 x  13 x 128  0.011 BFLOPs
  30.    19 upsample            2x    13 x  13 x 128   ->    26 x  26 x 128
  31.    20 route  19 8
  32.    21 conv    256  3 x 3 / 1    26 x  26 x 384   ->    26 x  26 x 256  1.196 BFLOPs
  33.    22 conv    255  1 x 1 / 1    26 x  26 x 256   ->    26 x  26 x 255  0.088 BFLOPs
  34.    23 yolo
  35. Loading weights from yolov3-tiny.weights...Done!
  36. data/dog.jpg: Predicted in 0.873869 seconds.
  37. dog: 57%
  38. car: 52%
  39. truck: 56%
  40. car: 62%
  41. bicycle: 59%
  42. zhaomeijing@raspberrypi5:~/workspace/04_yolo/darknet$ ./darknet detector test cfg/coco.data cfg/yolov3.cfg yolov3.weights data/dog.jpg
  43. layer     filters    size              input                output
  44.     0 conv     32  3 x 3 / 1   608 x 608 x   3   ->   608 x 608 x  32  0.639 BFLOPs
  45.     1 conv     64  3 x 3 / 2   608 x 608 x  32   ->   304 x 304 x  64  3.407 BFLOPs
  46.     2 conv     32  1 x 1 / 1   304 x 304 x  64   ->   304 x 304 x  32  0.379 BFLOPs
  47.     3 conv     64  3 x 3 / 1   304 x 304 x  32   ->   304 x 304 x  64  3.407 BFLOPs
  48.     4 res    1                 304 x 304 x  64   ->   304 x 304 x  64
  49.     5 conv    128  3 x 3 / 2   304 x 304 x  64   ->   152 x 152 x 128  3.407 BFLOPs
  50.     6 conv     64  1 x 1 / 1   152 x 152 x 128   ->   152 x 152 x  64  0.379 BFLOPs
  51.     7 conv    128  3 x 3 / 1   152 x 152 x  64   ->   152 x 152 x 128  3.407 BFLOPs
  52.     8 res    5                 152 x 152 x 128   ->   152 x 152 x 128
  53.     9 conv     64  1 x 1 / 1   152 x 152 x 128   ->   152 x 152 x  64  0.379 BFLOPs
  54.    10 conv    128  3 x 3 / 1   152 x 152 x  64   ->   152 x 152 x 128  3.407 BFLOPs
  55.    11 res    8                 152 x 152 x 128   ->   152 x 152 x 128
  56.    12 conv    256  3 x 3 / 2   152 x 152 x 128   ->    76 x  76 x 256  3.407 BFLOPs
  57.    13 conv    128  1 x 1 / 1    76 x  76 x 256   ->    76 x  76 x 128  0.379 BFLOPs
  58.    14 conv    256  3 x 3 / 1    76 x  76 x 128   ->    76 x  76 x 256  3.407 BFLOPs
  59.    15 res   12                  76 x  76 x 256   ->    76 x  76 x 256
  60.    16 conv    128  1 x 1 / 1    76 x  76 x 256   ->    76 x  76 x 128  0.379 BFLOPs
  61.    17 conv    256  3 x 3 / 1    76 x  76 x 128   ->    76 x  76 x 256  3.407 BFLOPs
  62.    18 res   15                  76 x  76 x 256   ->    76 x  76 x 256
  63.    19 conv    128  1 x 1 / 1    76 x  76 x 256   ->    76 x  76 x 128  0.379 BFLOPs
  64.    20 conv    256  3 x 3 / 1    76 x  76 x 128   ->    76 x  76 x 256  3.407 BFLOPs
  65.    21 res   18                  76 x  76 x 256   ->    76 x  76 x 256
  66.    22 conv    128  1 x 1 / 1    76 x  76 x 256   ->    76 x  76 x 128  0.379 BFLOPs
  67.    23 conv    256  3 x 3 / 1    76 x  76 x 128   ->    76 x  76 x 256  3.407 BFLOPs
  68.    24 res   21                  76 x  76 x 256   ->    76 x  76 x 256
  69.    25 conv    128  1 x 1 / 1    76 x  76 x 256   ->    76 x  76 x 128  0.379 BFLOPs
  70.    26 conv    256  3 x 3 / 1    76 x  76 x 128   ->    76 x  76 x 256  3.407 BFLOPs
  71.    27 res   24                  76 x  76 x 256   ->    76 x  76 x 256
  72.    28 conv    128  1 x 1 / 1    76 x  76 x 256   ->    76 x  76 x 128  0.379 BFLOPs
  73.    29 conv    256  3 x 3 / 1    76 x  76 x 128   ->    76 x  76 x 256  3.407 BFLOPs
  74.    30 res   27                  76 x  76 x 256   ->    76 x  76 x 256
  75.    31 conv    128  1 x 1 / 1    76 x  76 x 256   ->    76 x  76 x 128  0.379 BFLOPs
  76.    32 conv    256  3 x 3 / 1    76 x  76 x 128   ->    76 x  76 x 256  3.407 BFLOPs
  77.    33 res   30                  76 x  76 x 256   ->    76 x  76 x 256
  78.    34 conv    128  1 x 1 / 1    76 x  76 x 256   ->    76 x  76 x 128  0.379 BFLOPs
  79.    35 conv    256  3 x 3 / 1    76 x  76 x 128   ->    76 x  76 x 256  3.407 BFLOPs
  80.    36 res   33                  76 x  76 x 256   ->    76 x  76 x 256
  81.    37 conv    512  3 x 3 / 2    76 x  76 x 256   ->    38 x  38 x 512  3.407 BFLOPs
  82.    38 conv    256  1 x 1 / 1    38 x  38 x 512   ->    38 x  38 x 256  0.379 BFLOPs
  83.    39 conv    512  3 x 3 / 1    38 x  38 x 256   ->    38 x  38 x 512  3.407 BFLOPs
  84.    40 res   37                  38 x  38 x 512   ->    38 x  38 x 512
  85.    41 conv    256  1 x 1 / 1    38 x  38 x 512   ->    38 x  38 x 256  0.379 BFLOPs
  86.    42 conv    512  3 x 3 / 1    38 x  38 x 256   ->    38 x  38 x 512  3.407 BFLOPs
  87.    43 res   40                  38 x  38 x 512   ->    38 x  38 x 512
  88.    44 conv    256  1 x 1 / 1    38 x  38 x 512   ->    38 x  38 x 256  0.379 BFLOPs
  89.    45 conv    512  3 x 3 / 1    38 x  38 x 256   ->    38 x  38 x 512  3.407 BFLOPs
  90.    46 res   43                  38 x  38 x 512   ->    38 x  38 x 512
  91.    47 conv    256  1 x 1 / 1    38 x  38 x 512   ->    38 x  38 x 256  0.379 BFLOPs
  92.    48 conv    512  3 x 3 / 1    38 x  38 x 256   ->    38 x  38 x 512  3.407 BFLOPs
  93.    49 res   46                  38 x  38 x 512   ->    38 x  38 x 512
  94.    50 conv    256  1 x 1 / 1    38 x  38 x 512   ->    38 x  38 x 256  0.379 BFLOPs
  95.    51 conv    512  3 x 3 / 1    38 x  38 x 256   ->    38 x  38 x 512  3.407 BFLOPs
  96.    52 res   49                  38 x  38 x 512   ->    38 x  38 x 512
  97.    53 conv    256  1 x 1 / 1    38 x  38 x 512   ->    38 x  38 x 256  0.379 BFLOPs
  98.    54 conv    512  3 x 3 / 1    38 x  38 x 256   ->    38 x  38 x 512  3.407 BFLOPs
  99.    55 res   52                  38 x  38 x 512   ->    38 x  38 x 512
  100.    56 conv    256  1 x 1 / 1    38 x  38 x 512   ->    38 x  38 x 256  0.379 BFLOPs
  101.    57 conv    512  3 x 3 / 1    38 x  38 x 256   ->    38 x  38 x 512  3.407 BFLOPs
  102.    58 res   55                  38 x  38 x 512   ->    38 x  38 x 512
  103.    59 conv    256  1 x 1 / 1    38 x  38 x 512   ->    38 x  38 x 256  0.379 BFLOPs
  104.    60 conv    512  3 x 3 / 1    38 x  38 x 256   ->    38 x  38 x 512  3.407 BFLOPs
  105.    61 res   58                  38 x  38 x 512   ->    38 x  38 x 512
  106.    62 conv   1024  3 x 3 / 2    38 x  38 x 512   ->    19 x  19 x1024  3.407 BFLOPs
  107.    63 conv    512  1 x 1 / 1    19 x  19 x1024   ->    19 x  19 x 512  0.379 BFLOPs
  108.    64 conv   1024  3 x 3 / 1    19 x  19 x 512   ->    19 x  19 x1024  3.407 BFLOPs
  109.    65 res   62                  19 x  19 x1024   ->    19 x  19 x1024
  110.    66 conv    512  1 x 1 / 1    19 x  19 x1024   ->    19 x  19 x 512  0.379 BFLOPs
  111.    67 conv   1024  3 x 3 / 1    19 x  19 x 512   ->    19 x  19 x1024  3.407 BFLOPs
  112.    68 res   65                  19 x  19 x1024   ->    19 x  19 x1024
  113.    69 conv    512  1 x 1 / 1    19 x  19 x1024   ->    19 x  19 x 512  0.379 BFLOPs
  114.    70 conv   1024  3 x 3 / 1    19 x  19 x 512   ->    19 x  19 x1024  3.407 BFLOPs
  115.    71 res   68                  19 x  19 x1024   ->    19 x  19 x1024
  116.    72 conv    512  1 x 1 / 1    19 x  19 x1024   ->    19 x  19 x 512  0.379 BFLOPs
  117.    73 conv   1024  3 x 3 / 1    19 x  19 x 512   ->    19 x  19 x1024  3.407 BFLOPs
  118.    74 res   71                  19 x  19 x1024   ->    19 x  19 x1024
  119.    75 conv    512  1 x 1 / 1    19 x  19 x1024   ->    19 x  19 x 512  0.379 BFLOPs
  120.    76 conv   1024  3 x 3 / 1    19 x  19 x 512   ->    19 x  19 x1024  3.407 BFLOPs
  121.    77 conv    512  1 x 1 / 1    19 x  19 x1024   ->    19 x  19 x 512  0.379 BFLOPs
  122.    78 conv   1024  3 x 3 / 1    19 x  19 x 512   ->    19 x  19 x1024  3.407 BFLOPs
  123.    79 conv    512  1 x 1 / 1    19 x  19 x1024   ->    19 x  19 x 512  0.379 BFLOPs
  124.    80 conv   1024  3 x 3 / 1    19 x  19 x 512   ->    19 x  19 x1024  3.407 BFLOPs
  125.    81 conv    255  1 x 1 / 1    19 x  19 x1024   ->    19 x  19 x 255  0.189 BFLOPs
  126.    82 yolo
  127.    83 route  79
  128.    84 conv    256  1 x 1 / 1    19 x  19 x 512   ->    19 x  19 x 256  0.095 BFLOPs
  129.    85 upsample            2x    19 x  19 x 256   ->    38 x  38 x 256
  130.    86 route  85 61
  131.    87 conv    256  1 x 1 / 1    38 x  38 x 768   ->    38 x  38 x 256  0.568 BFLOPs
  132.    88 conv    512  3 x 3 / 1    38 x  38 x 256   ->    38 x  38 x 512  3.407 BFLOPs
  133.    89 conv    256  1 x 1 / 1    38 x  38 x 512   ->    38 x  38 x 256  0.379 BFLOPs
  134.    90 conv    512  3 x 3 / 1    38 x  38 x 256   ->    38 x  38 x 512  3.407 BFLOPs
  135.    91 conv    256  1 x 1 / 1    38 x  38 x 512   ->    38 x  38 x 256  0.379 BFLOPs
  136.    92 conv    512  3 x 3 / 1    38 x  38 x 256   ->    38 x  38 x 512  3.407 BFLOPs
  137.    93 conv    255  1 x 1 / 1    38 x  38 x 512   ->    38 x  38 x 255  0.377 BFLOPs
  138.    94 yolo
  139.    95 route  91
  140.    96 conv    128  1 x 1 / 1    38 x  38 x 256   ->    38 x  38 x 128  0.095 BFLOPs
  141.    97 upsample            2x    38 x  38 x 128   ->    76 x  76 x 128
  142.    98 route  97 36
  143.    99 conv    128  1 x 1 / 1    76 x  76 x 384   ->    76 x  76 x 128  0.568 BFLOPs
  144.   100 conv    256  3 x 3 / 1    76 x  76 x 128   ->    76 x  76 x 256  3.407 BFLOPs
  145.   101 conv    128  1 x 1 / 1    76 x  76 x 256   ->    76 x  76 x 128  0.379 BFLOPs
  146.   102 conv    256  3 x 3 / 1    76 x  76 x 128   ->    76 x  76 x 256  3.407 BFLOPs
  147.   103 conv    128  1 x 1 / 1    76 x  76 x 256   ->    76 x  76 x 128  0.379 BFLOPs
  148.   104 conv    256  3 x 3 / 1    76 x  76 x 128   ->    76 x  76 x 256  3.407 BFLOPs
  149.   105 conv    255  1 x 1 / 1    76 x  76 x 256   ->    76 x  76 x 255  0.754 BFLOPs
  150.   106 yolo
  151. Loading weights from yolov3.weights...Done!
  152. data/dog.jpg: Predicted in 21.122667 seconds.
  153. dog: 100%
  154. truck: 92%
  155. bicycle: 99%
  156. zhaomeijing@raspberrypi5:~/workspace/04_yolo/darknet$
复制代码
2.2        测试结果展示及分析
yolov3-tiny测试结果：
yolov3测试结果：

序号
名称
精度
时间（单位：秒）
1yolov3-tiny低快：0.873869
2.yolov3高慢：21.122667
通过测试结果可以得知yolov3的精度更高但是耗时，yolov3-tiny的速度最快但是精度不高。

//------end


关注下面的标签，发现更多相似文章
树莓派5
树莓派
yolo
收藏 转播 分享 顶 踩
分享到：
回复

使用道具 举报

返回列表
高级模式
B Color Image Link Quote Code Smilies
您需要登录后才可以回帖 注册/登录

本版积分规则

相关帖子
avatar
4013 积分
24 主题
+ 关注
热门推荐
关闭

站长推荐上一条 /3 下一条

  • 手机版| 小黑屋|

? 2010 - 2025 苏州广东会网络科技有限公司 版权所有 ICP经营许可证 苏B2-20140176 | 苏ICP备14012660号-6 | 苏公网安备 32059002001874号