99精品伊人亚洲|最近国产中文炮友|九草在线视频支援|AV网站大全最新|美女黄片免费观看|国产精品资源视频|精彩无码视频一区|91大神在线后入|伊人终合在线播放|久草综合久久中文

搜索歷史

清空
搜索熱詞
      0
      • 聊天消息
      • 系統(tǒng)消息
      • 評論與回復
      VIP于 到期 續(xù)費
      登錄后你可以
      • 下載海量資料
      • 學習在線課程
      • 觀看技術視頻
      • 寫文章/發(fā)帖/加入社區(qū)
      會員中心
      創(chuàng)作中心
      發(fā)布
      創(chuàng)作活動

      完善資料讓更多小伙伴認識你，還能領取20積分哦，立即完善>

      3天內不再提示

      YOLOX目標檢測模型的推理部署

      OpenCV學堂 ? 來源：OpenCV學堂 ? 作者：gloomyfish ? 2022-04-16 23:00 ? 次閱讀
      加入交流群
      微信小助手二維碼

      掃碼添加小助手

      加入工程師交流群

      YOLOX目標檢測模型

      曠視科技開源了內部目標檢測模型-YOLOX，性能與速度全面超越YOLOv5早期版本!

      fd7acd32-bc50-11ec-aa7f-dac502259ad0.png

      如此神奇原因在于模型結構的修改，下圖說明了改了什么地方：

      fd89a5b4-bc50-11ec-aa7f-dac502259ad0.png

      把原來的耦合頭部，通過1x1卷積解耦成兩個并行的分支，經(jīng)過一系列處理之后最終取得精度與速度雙提升。實驗對比結果如下：

      fd9a396a-bc50-11ec-aa7f-dac502259ad0.png

      論文與代碼模型下載地址： 
      https://arxiv.org/pdf/2107.08430.pdfhttps://github.com/Megvii-BaseDetection/YOLOX

      ONNX格式模型轉與部署

      下載YOLOX的ONNX格式模型（github上可以下載） 
      https://github.com/Megvii-BaseDetection/YOLOX/tree/main/demo/ONNXRuntimehttps://github.com/Megvii-BaseDetection/YOLOX/releases/download/0.1.1rc0/yolox_s.onnx

      下載ONNX格式模型，打開之后如圖：

      fdab5c7c-bc50-11ec-aa7f-dac502259ad0.png

      輸入格式：1x3x640x640，默認BGR，無需歸一化。輸出格式：1x8400x85
      官方說明ONNX格式支持OpenVINO、ONNXRUNTIME、TensorRT三種方式，而且都提供源碼，官方提供的源碼參考如下： 
      https://github.com/Megvii-BaseDetection/YOLOX/tree/main/demo
      本人就是參考上述的代碼然后一通猛改，分別封裝成三個類，完成了統(tǒng)一接口，公用了后處理部分的代碼，基于本人筆記本的硬件資源與軟件版本： 
      -GPU 3050Ti-CPU i7 11代-OS：Win10 64位-OpenVINO2021.4-ONNXRUNTIME：1.7-CPU-OpenCV4.5.4-Python3.6.5-YOLOX-TensorRT8.4.x
      在三個推理平臺上測試結果如下：

      fdb887bc-bc50-11ec-aa7f-dac502259ad0.png

      運行截圖如下：onnxruntime推理

      fdc4c9d2-bc50-11ec-aa7f-dac502259ad0.png

      OpenVINO推理

      fde1d216-bc50-11ec-aa7f-dac502259ad0.png

      TensorRT推理 - FP32

      fdf9d622-bc50-11ec-aa7f-dac502259ad0.png

      轉威FP16

      fe1134ac-bc50-11ec-aa7f-dac502259ad0.png

      TensorRT推理 - FP16

      fe239098-bc50-11ec-aa7f-dac502259ad0.png

      總結

      之前我寫過一篇文章比較了YOLOv5最新版本在OpenVINO、ONNXRUNTIME、OpenCV DNN上的速度比較，現(xiàn)在加上本篇比較了YOLOX在TensorRT、OpenVINO、ONNXRUNTIME上推理部署速度比較，得到的結論就是： 
      CPU上速度最快的是OpenVINOGPU上速度最快的是TensorRT
      能不改代碼，同時支持CPU跟GPU推理是ONNXRUNTIMEOpenCV DNN毫無意外的速度最慢（CPU/GPU）

      原文標題：YOLOX在OpenVINO、ONNXRUNTIME、TensorRT上面推理部署與速度比較

      文章出處：【微信公眾號：OpenCV學堂】歡迎添加關注！文章轉載請注明出處。

      審核編輯：湯梓紅
      聲明：本文內容及配圖由入駐作者撰寫或者入駐合作網(wǎng)站授權轉載。文章觀點僅代表作者本人，不代表電子發(fā)燒友網(wǎng)立場。文章及其配圖僅供工程師學習之用，如有內容侵權或者其他違規(guī)問題，請聯(lián)系本站處理。 舉報投訴
      • 模型
        +關注

        關注

        1

        文章

        3517

        瀏覽量

        50391
      • 目標檢測
        +關注

        關注

        0

        文章

        225

        瀏覽量

        16009
      • OpenCV
        +關注

        關注

        32

        文章

        642

        瀏覽量

        42855

      原文標題：YOLOX在OpenVINO、ONNXRUNTIME、TensorRT上面推理部署與速度比較

      文章出處：【微信號：CVSCHOOL，微信公眾號：OpenCV學堂】歡迎添加關注！文章轉載請注明出處。

      收藏 人收藏
      加入交流群
      微信小助手二維碼

      掃碼添加小助手

      加入工程師交流群

        評論

        相關推薦
        熱點推薦

        如何在魔搭社區(qū)使用TensorRT-LLM加速優(yōu)化Qwen3系列模型推理部署

        TensorRT-LLM 作為 NVIDIA 專為 LLM 推理部署加速優(yōu)化的開源庫，可幫助開發(fā)者快速利用最新 LLM 完成應用原型驗證與產(chǎn)品部署。
        的頭像 發(fā)表于 07-04 14:38 ?623次閱讀

        大模型推理顯存和計算量估計方法研究

        隨著人工智能技術的飛速發(fā)展，深度學習大模型在各個領域得到了廣泛應用。然而，大模型的推理過程對顯存和計算資源的需求較高，給實際應用帶來了挑戰(zhàn)。為了解決這一問題，本文將探討大模型
        發(fā)表于 07-03 19:43

        基于LockAI視覺識別模塊：C++目標檢測

        快速部署高性能的目標檢測應用。 特點： 高性能：優(yōu)化了推理速度，在保持高精度的同時實現(xiàn)了快速響應。 靈活性：支持多種預訓練模型，可以根據(jù)具體
        發(fā)表于 06-06 14:43

        labview調用yolo目標檢測、分割、分類、obb

        labview調用yolo目標檢測、分割、分類、obb、pose深度學習，支持CPU和GPU推理，32/64位labview均可使用。 （yolov5~yolov12）
        發(fā)表于 03-31 16:28

        添越智創(chuàng)基于 RK3588 開發(fā)板部署測試 DeepSeek 模型全攻略

        這也會帶來新問題，隨著模型參數(shù)增加，回復速度會明顯下降，實際應用中需根據(jù)需求權衡。使用 Ollama 工具部署的推理模型運行時主要依賴 CPU 運算。從運行監(jiān)測數(shù)據(jù)能看到，模型回復時
        發(fā)表于 02-14 17:42

        摩爾線程宣布成功部署DeepSeek蒸餾模型推理服務

        近日，摩爾線程智能科技(北京)有限責任公司在其官方渠道發(fā)布了一則重要消息，宣布公司已經(jīng)成功實現(xiàn)了對DeepSeek蒸餾模型推理服務的部署。這一技術突破，標志著摩爾線程在人工智能領域邁出了堅實的一步
        的頭像 發(fā)表于 02-06 13:49 ?800次閱讀

        采用華為云 Flexus 云服務器 X 實例部署 YOLOv3 算法完成目標檢測

        一、前言 1.1 開發(fā)需求 這篇文章講解：?采用華為云最新推出的 Flexus 云服務器 X 實例部署 YOLOv3 算法，完成圖像分析、目標檢測。 隨著計算機視覺技術的飛速發(fā)展，深度學習模型
        的頭像 發(fā)表于 01-02 12:00 ?540次閱讀
        采用華為云 Flexus 云服務器 X 實例<b class='flag-5'>部署</b> YOLOv3 算法完成<b class='flag-5'>目標</b><b class='flag-5'>檢測</b>

        AI模型部署邊緣設備的奇妙之旅：目標檢測模型

        以及邊緣計算能力的增強，越來越多的目標檢測應用開始直接在靠近數(shù)據(jù)源的邊緣設備上運行。這不僅減少了數(shù)據(jù)傳輸延遲，保護了用戶隱私，同時也減輕了云端服務器的壓力。然而，在邊緣端部署高效且準確的目標
        發(fā)表于 12-19 14:33

        如何開啟Stable Diffusion WebUI模型推理部署

        如何開啟Stable Diffusion WebUI模型推理部署
        的頭像 發(fā)表于 12-11 20:13 ?556次閱讀
        如何開啟Stable Diffusion WebUI<b class='flag-5'>模型</b><b class='flag-5'>推理</b><b class='flag-5'>部署</b>

        高效大模型的推理綜述

        大模型由于其在各種任務中的出色表現(xiàn)而引起了廣泛的關注。然而，大模型推理的大量計算和內存需求對其在資源受限場景的部署提出了挑戰(zhàn)。業(yè)內一直在努力開發(fā)旨在提高大
        的頭像 發(fā)表于 11-15 11:45 ?1447次閱讀
        高效大<b class='flag-5'>模型</b>的<b class='flag-5'>推理</b>綜述

        在樹莓派上部署YOLOv5進行動物目標檢測的完整流程

        卓越的性能。本文將詳細介紹如何在性能更強的計算機上訓練YOLOv5模型，并將訓練好的模型部署到樹莓派4B上，通過樹莓派的攝像頭進行實時動物目標檢測
        的頭像 發(fā)表于 11-11 10:38 ?3683次閱讀
        在樹莓派上<b class='flag-5'>部署</b>YOLOv5進行動物<b class='flag-5'>目標</b><b class='flag-5'>檢測</b>的完整流程

        YOLOv6在LabVIEW中的推理部署（含源碼）

        YOLOv6 是美團視覺智能部研發(fā)的一款目標檢測框架，致力于工業(yè)應用。如何使用python進行該模型的部署，官網(wǎng)已經(jīng)介紹的很清楚了，但是對于如何在LabVIEW中實現(xiàn)該
        的頭像 發(fā)表于 11-06 16:07 ?939次閱讀
        YOLOv6在LabVIEW中的<b class='flag-5'>推理</b><b class='flag-5'>部署</b>（含源碼）

        手冊上新 |迅為RK3568開發(fā)板NPU例程測試

        yolov5目標檢測 6.13 yolov5-seg語義分割 6.14 yolov6目標檢測 6.15 yolov7目標
        發(fā)表于 10-23 14:06

        手冊上新 |迅為RK3568開發(fā)板NPU例程測試

        yolov5目標檢測 6.13 yolov5-seg語義分割 6.14 yolov6目標檢測 6.15 yolov7目標
        發(fā)表于 08-12 11:03

        LLM大模型推理加速的關鍵技術

        LLM（大型語言模型）大模型推理加速是當前人工智能領域的一個研究熱點，旨在提高模型在處理復雜任務時的效率和響應速度。以下是對LLM大模型
        的頭像 發(fā)表于 07-24 11:38 ?1798次閱讀