0.首先
感谢作者们的辛苦科研,配置其实特别简单,YOLO-LITE的问世专门为了没有GPU这些人的简易模型,因为足够lite
layer filters size input output
0 conv 16 3 x 3 / 1 224 x 224 x 3 -> 224 x 224 x 16
1 max 2 x 2 / 2 224 x 224 x 16 -> 112 x 112 x 16
2 conv 32 3 x 3 / 1 112 x 112 x 16 -> 112 x 112 x 32
3 max 2 x 2 / 2 112 x 112 x 32 -> 56 x 56 x 32
4 conv 64 3 x 3 / 1 56 x 56 x 32 -> 56 x 56 x 64
5 max 2 x 2 / 2 56 x 56 x 64 -> 28 x 28 x 64
6 conv 128 3 x 3 / 1 28 x 28 x 64 -> 28 x 28 x 128
7 max 2 x 2 / 2 28 x 28 x 128 -> 14 x 14 x 128
8 conv 128 3 x 3 / 1 14 x 14 x 128 -> 14 x 14 x 128
9 max 2 x 2 / 2 14 x 14 x 128 -> 7 x 7 x 128
10 conv 256 3 x 3 / 1 7 x 7 x 128 -> 7 x 7 x 256
11 conv 125 1 x 1 / 1 7 x 7 x 256 -> 7 x 7 x 125
12 detection
就这么lite,比tiny-yolo还轻量化。
其实这篇文章是 的主要目的个人觉得是在探究batch normalization在浅层网络的必要性的——没必要【摊手】
下面说一下怎么让它跑起来。
1. 配置darknet框架
其实如果看过我之前的文章就应该知道如何配置,很简单,文章链接
这里我们用yolo-v2源码,下载链接
找到darknet_no_gpu.sln,双击打开,我用的是vs2015 professional
配置好opencv,我用的是opencv320
包含目录、库目录、附加依赖项。
点击--生成---生成解决方案
就会在生成一个x64的目录
里面会有 darknet_no_gpu.exe重命名成darknet.exe
2.下载YOLO-LITE源码
github链接
觉得速度不够可以考虑网盘下载---437.92MB
下载完事以后,解压会看到有很多文件
将YOLO-LITE-master中的cfg文件夹中的文件拷贝到你刚刚配置darknet中的x64文件夹中的cfg文件夹里
将 YOLO-LITE-master的weights文件夹复制到x64文件夹中,我将它重命名为weights_lite
完成后的文件夹像这样
3.测试
在x64文件夹中,Shift+鼠标右键 打开Windows PowerShell 输入cmd,输入以下指令
darknet.exe detector test data/voc.data cfg/tiny-yolov2-trial3-noBatch.cfg weights_lite/tiny-yolov2-trial3-noBatch.weights dog_china.jpg
注意图片的路径和名称,结果
测试完成!
此狗为中华田园犬
4.训练
其实和darknet下的训练没有什么区别,只是YOLO-LITE的网络不一样而已,不再赘述~