CN115935263A - 基于yolov5剪枝的边端芯片检测分类方法及系统 - Google Patents
基于yolov5剪枝的边端芯片检测分类方法及系统 Download PDFInfo
- Publication number
- CN115935263A CN115935263A CN202310146707.2A CN202310146707A CN115935263A CN 115935263 A CN115935263 A CN 115935263A CN 202310146707 A CN202310146707 A CN 202310146707A CN 115935263 A CN115935263 A CN 115935263A
- Authority
- CN
- China
- Prior art keywords
- preset
- pruning
- parameters
- yolov5
- model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Image Analysis (AREA)
Abstract
本申请公开了一种基于yolov5剪枝的边端芯片检测分类方法及系统,主要涉及检测分类技术领域,用以解决现有的剪枝方法无法针对不同目标尺度进行剪枝的问题。包括:通过预设训练数据完成预设yolov5模型的训练,获得预设yolov5模型在各个预设下采样倍数下的模型训练参数;根据各预设下采样倍数,确定各个尺度特征层对应的剪枝率;更新模型训练参数中的卷积核;更新模型训练参数中的公共参数信息,更新模型训练参数中的通道参数;通过预设训练数据完成更新模型训练参数后的预设yolov5模型的训练,再次调整模型训练参数;以获得最终模型训练参数对应的pt文件,将pt文件转换为边端芯片直接使用的wk文件。
Description
技术领域
本申请涉及检测分类技术领域,尤其涉及一种基于yolov5剪枝的边端芯片检测分类方法及系统。
背景技术
现实安防应用场景中,越来越需要场景目标检测的实时响应,在服务器上实时很容易做到,在高算力边端芯片(例如海思3559芯片、atlas200)上也比较容易,但是在一些低算力的芯片(海思3516芯片)上就显得比较吃力,而且实际项目场景,为达到实时需要将检测分辨率降低,但是降低检测分辨率意味着对于小目标的检测准确率会进一步降低,无法满足应用要求。
为了满足低算力平台的部署,较为有效的一种模型压缩方案就是模型剪枝。目前结构化剪枝又包括全局剪枝及局部剪枝,全局剪枝是对所有的BN层进行统计,修剪掉参数较小的BN层以及对应的Conv层,但是这样剪枝时会出现某些层变为一个BN层的情况,这样就会使得模型的表达能力变得很差。局部剪枝对每一个网络层的剪枝率都是设置为相同的值,在第二层循环中,通过计算卷积核的几何中位数,选中个几何中位数附近的卷积核进行剪枝。但是由于其每层的剪枝率都设置为相同的值,其实本质上是与网络宽度乘以一个尺度因子是一样的效果,而且后者明显复杂度更低更易于操作,但是实现不了小目标尺度少剪枝,大目标尺度多剪枝的目的。
发明内容
针对现有技术的上述不足,本发明提供一种基于yolov5剪枝的边端芯片检测分类方法及系统,以解决上述技术问题。
第一方面,本申请提供了一种基于yolov5剪枝的边端芯片检测分类方法,所述方法包括:通过预设训练数据完成预设yolov5模型的训练,获得预设yolov5模型在各个预设下采样倍数下的模型训练参数;根据各预设下采样倍数,确定各个尺度特征层对应的剪枝率;并选中个几何中位数对应的尺度特征层中的卷积核进行剪枝,更新模型训练参数中的卷积核;其中,为预设yolov5模型第i尺度特征层的卷积核参数个数,为第i尺度特征层对应的剪枝率;根据几何中位数及预设公式,确定第i层内全部滤波器对应的公共参数信息,进而实现更新模型训练参数中的公共参数信息;获取卷积通道优化整数倍,在进行剪枝时,根据卷积通道优化整数倍和预设规则公式,对最终剩余模型训练参数中的Conv、BN的通道参数进行规整,进而实现更新模型训练参数中的通道参数;通过预设训练数据完成更新模型训练参数后的预设yolov5模型的训练,再次调整模型训练参数;以获得最终模型训练参数对应的pt文件,将pt文件转换为边端芯片直接使用的wk文件。
进一步地,根据各预设下采样倍数,确定各个尺度特征层对应的剪枝率,具体包括:在预设下采样倍数为预设小目标采用倍数时,设置尺度特征层的剪枝率为预设小剪枝率;在预设下采样倍数为预设大目标采用倍数时,设置尺度特征层的剪枝率为预设大剪枝率。
进一步地,根据几何中位数及预设公式,确定第i层内全部滤波器对应的公共参数信息,具体如下公式所示:,确定第i层内全部滤波器对应的公共参数信息。
进一步地,根据卷积通道优化整数倍和预设规则公式,对最终剩余模型训练参数中的Conv、BN的通道参数进行规整,具体包括:通过预设规则公式:,获得规整后的通道参数。
进一步地,将pt文件转换为边端芯片直接使用的wk文件,具体包括:将通过pytorch框架训练完成预设yolov5模型的pt文件转换成onnx文件;其中,pt文件用于存储最终模型训练参数;将onnx文件转换成caffe格式的caffemodel文件;根据边端芯片支持的算子格式,获得修改caffe格式的prototxt文件,进而将caffemodel文件转换成边端芯片支持的wk文件。
第二方面,本申请提供了一种基于yolov5剪枝的边端芯片检测分类系统,所述系统包括:获得模块,用于通过预设训练数据完成预设yolov5模型的训练,获得预设yolov5模型在各个预设下采样倍数下的模型训练参数;更新模块,用于根据各预设下采样倍数,确定各个尺度特征层对应的剪枝率;并选中个几何中位数对应的尺度特征层中的卷积核进行剪枝,更新模型训练参数中的卷积核;其中,为预设yolov5模型第i尺度特征层的卷积核参数个数,为第i尺度特征层对应的剪枝率;根据几何中位数及预设公式,确定第i层内全部滤波器对应的公共参数信息,进而实现更新模型训练参数中的公共参数信息;获取卷积通道优化整数倍,在进行剪枝时,根据卷积通道优化整数倍和预设规则公式,对最终剩余模型训练参数中的Conv、BN的通道参数进行规整,进而实现更新模型训练参数中的通道参数;转换模块,用于通过预设训练数据完成更新模型训练参数后的预设yolov5模型的训练,再次调整模型训练参数;以获得最终模型训练参数对应的pt文件,将pt文件转换为边端芯片直接使用的wk文件。
进一步地,更新模块包括公共参数更新单元,用于根据公式:,确定第i层内全部滤波器对应的公共参数信息。
进一步地,更新模块包括通道参数更新单元,用于通过预设规则公式:,获得规整后的通道参数。
本领域技术人员能够理解的是,本发明至少具有如下有益效果:
采用本申请的剪枝方案,能够根据不同下采样层设置不同的剪枝率,对于小目标尺度特征层设置较小剪枝率,对大目标尺度特征层设置较大剪枝率,进而能够使得模型在低损失的情况保证最大的压缩率,并且将模型转换为边端芯片(例如,海思3516)的wk模型之后在边端芯片开发板上的推理时延最低,能够满足实时应用的要求。
附图说明
下面参照附图来描述本公开的部分实施例,附图中:
图1是本申请实施例提供的一种基于yolov5剪枝的边端芯片检测分类方法流程图。
图2是本申请实施例提供的一种基于yolov5剪枝的边端芯片检测分类系统内部结构示意图。
具体实施方式
本领域技术人员应当理解的是,下文所描述的实施例仅仅是本公开的优选实施例,并不表示本公开仅能通过该优选实施例实现,该优选实施例仅仅是用于解释本公开的技术原理,并非用于限制本公开的保护范围。基于本公开提供的优选实施例,本领域普通技术人员在没有付出创造性劳动的情况下所获得的其它所有实施例,仍应落入到本公开的保护范围之内。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
下面通过附图对本申请实施例提出的技术方案进行详细的说明。
本申请实施例提供了一种基于yolov5剪枝的边端芯片检测分类方法,如图1所示,本申请实施例提供的方法,主要包括以下步骤:
步骤110、通过预设训练数据完成预设yolov5模型的训练,获得预设yolov5模型在各个预设下采样倍数下的模型训练参数。
步骤120、根据各预设下采样倍数,确定各个尺度特征层对应的剪枝率;并选中个几何中位数对应的尺度特征层中的卷积核进行剪枝,更新模型训练参数中的卷积核;根据几何中位数及预设公式,确定第i层内全部滤波器对应的公共参数信息,进而实现更新模型训练参数中的公共参数信息。
其中,根据各预设下采样倍数,确定各个尺度特征层对应的剪枝率,具体可以为:在预设下采样倍数为预设小目标采用倍数时,设置尺度特征层的剪枝率为预设小剪枝率(例如,0.2);在预设下采样倍数为预设大目标采用倍数时,设置尺度特征层的剪枝率为预设大剪枝率(例如,0.8)。
其中,根据几何中位数及预设公式,确定第i层内全部滤波器对应的公共参数信息,具体如下公式所示:,确定第i层内全部滤波器对应的公共参数信息。需要说明的是,为L2-norm(L2范数)。
步骤130、获取卷积通道优化整数倍,在进行剪枝时,根据卷积通道优化整数倍和预设规则公式,对最终剩余模型训练参数中的Conv、BN的通道参数进行规整,进而实现更新模型训练参数中的通道参数。
其中,根据卷积通道优化整数倍和预设规则公式,对最终剩余模型训练参数中的Conv、BN的通道参数进行规整,具体可以为:通过预设规则公式:,获得规整后的通道参数。
例如,海思芯片(边端芯片)推理时对于8的整数倍的卷积通道数有优化作用,所以根据个进行剪枝时,最终剩余的Conv、BN的通道数根据8的倍数进行规整。
步骤140、通过预设训练数据完成更新模型训练参数后的预设yolov5模型的训练,再次调整模型训练参数;以获得最终模型训练参数对应的pt文件,将pt文件转换为边端芯片直接使用的wk文件。
其中,将pt文件转换为边端芯片直接使用的wk文件,具体可以为:将通过pytorch框架训练完成预设yolov5模型的pt文件转换成onnx文件;其中,pt文件用于存储最终模型训练参数;将onnx文件转换成caffe格式的caffemodel文件;根据边端芯片支持的算子格式,获得修改caffe格式的prototxt文件,进而将caffemodel文件转换成边端芯片支持的wk文件。
需要说明的是,将pytorch训练完成预设yolov5模型,后会得到包含模型训练参数的pt文件,但是现有的边端芯片无法直接使用的pt文件,需要对pt文件进行转换。这里的算子格式,可以根据具体的边端芯片进行调整,例如,可以按照海思3516支持的算子格式修改caffe格式的prototxt文件,利用nnie_mapper(海思开发的模型转换工具)将caffemodel文件转换成3516支持的wk文件。为节省检测模型的后处理时间,在转换wk模型前将sigmoid的计算添加到网络结构中,这样在转模型的时候就会把这一步cpu计算处理添加到NNIE中去计算,能够提升50%的后处理时延。
除此之外,图2为本申请实施例提供的一种基于yolov5剪枝的边端芯片检测分类系统。如图2所示,本申请实施例提供的系统,主要包括:
获得模块210,用于通过预设训练数据完成预设yolov5模型的训练,获得预设yolov5模型在各个预设下采样倍数下的模型训练参数。
更新模块220,用于根据各预设下采样倍数,确定各个尺度特征层对应的剪枝率;并选中个几何中位数对应的尺度特征层中的卷积核进行剪枝,更新模型训练参数中的卷积核;其中,为预设yolov5模型第i尺度特征层的卷积核(滤波器)参数个数,为第i尺度特征层对应的剪枝率;根据几何中位数及预设公式,确定第i层内全部滤波器对应的公共参数信息,进而实现更新模型训练参数中的公共参数信息;获取卷积通道优化整数倍,在进行剪枝时,根据卷积通道优化整数倍和预设规则公式,对最终剩余模型训练参数中的Conv、BN的通道参数进行规整,进而实现更新模型训练参数中的通道参数。
更新模块220包括公共参数更新单元221,用于根据公式:,确定第i层内全部滤波器对应的公共参数信息。
更新模块220包括通道参数更新单元222,用于通过预设规则公式:,获得规整后的通道参数。
转换模块230,用于通过预设训练数据完成更新模型训练参数后的预设yolov5模型的训练,再次调整模型训练参数;以获得最终模型训练参数对应的pt文件,将pt文件转换为边端芯片直接使用的wk文件。
至此,已经结合前文的多个实施例描述了本公开的技术方案,但是,本领域技术人员容易理解的是,本公开的保护范围并不仅限于这些具体实施例。在不偏离本公开技术原理的前提下,本领域技术人员可以对上述各个实施例中的技术方案进行拆分和组合,也可以对相关技术特征作出等同的更改或替换,凡在本公开的技术构思和/或技术原理之内所做的任何更改、等同替换、改进等都将落入本公开的保护范围之内。
Claims (8)
1.一种基于yolov5剪枝的边端芯片检测分类方法,其特征在于,所述方法包括:
通过预设训练数据完成预设yolov5模型的训练,获得预设yolov5模型在各个预设下采样倍数下的模型训练参数;
根据各预设下采样倍数,确定各个尺度特征层对应的剪枝率;并选中个几何中位数对应的尺度特征层中的卷积核进行剪枝,更新模型训练参数中的卷积核;其中,为预设yolov5模型第i尺度特征层的卷积核参数个数,为第i尺度特征层对应的剪枝率;根据几何中位数及预设公式,确定第i层内全部滤波器对应的公共参数信息,进而实现更新模型训练参数中的公共参数信息;
获取卷积通道优化整数倍,在进行剪枝时,根据卷积通道优化整数倍和预设规则公式,对最终剩余模型训练参数中的Conv、BN的通道参数进行规整,进而实现更新模型训练参数中的通道参数;
通过预设训练数据完成更新模型训练参数后的预设yolov5模型的训练,再次调整模型训练参数;以获得最终模型训练参数对应的pt文件,将pt文件转换为边端芯片直接使用的wk文件。
2.根据权利要求1所述的基于yolov5剪枝的边端芯片检测分类方法,其特征在于,根据各预设下采样倍数,确定各个尺度特征层对应的剪枝率,具体包括:
在预设下采样倍数为预设小目标采用倍数时,设置尺度特征层的剪枝率为预设小剪枝率;在预设下采样倍数为预设大目标采用倍数时,设置尺度特征层的剪枝率为预设大剪枝率。
3. 根据权利要求1所述的基于yolov5剪枝的边端芯片检测分类方法,其特征在于,根据几何中位数及预设公式,确定第i层内全部滤波器对应的公共参数信息,具体包括:
根据公式:
,确定第i层内全部滤波器对应的公共参数信息。
4.根据权利要求1所述的基于yolov5剪枝的边端芯片检测分类方法,其特征在于,根据卷积通道优化整数倍和预设规则公式,对最终剩余模型训练参数中的Conv、BN的通道参数进行规整,具体包括:
通过预设规则公式:,获得规整后的通道参数。
5.根据权利要求1所述的基于yolov5剪枝的边端芯片检测分类方法,其特征在于,将pt文件转换为边端芯片直接使用的wk文件,具体包括:
将通过pytorch框架训练完成预设yolov5模型的pt文件转换成onnx文件;其中,pt文件用于存储最终模型训练参数;
将onnx文件转换成caffe格式的caffemodel文件;
根据边端芯片支持的算子格式,获得修改caffe格式的prototxt文件,进而将caffemodel文件转换成边端芯片支持的wk文件。
6.一种基于yolov5剪枝的边端芯片检测分类系统,其特征在于,所述系统包括:
获得模块,用于通过预设训练数据完成预设yolov5模型的训练,获得预设yolov5模型在各个预设下采样倍数下的模型训练参数;
更新模块,用于根据各预设下采样倍数,确定各个尺度特征层对应的剪枝率;并选中个几何中位数对应的尺度特征层中的卷积核进行剪枝,更新模型训练参数中的卷积核;其中,为预设yolov5模型第i尺度特征层的卷积核参数个数,为第i尺度特征层对应的剪枝率;根据几何中位数及预设公式,确定第i层内全部滤波器对应的公共参数信息,进而实现更新模型训练参数中的公共参数信息;获取卷积通道优化整数倍,在进行剪枝时,根据卷积通道优化整数倍和预设规则公式,对最终剩余模型训练参数中的Conv、BN的通道参数进行规整,进而实现更新模型训练参数中的通道参数;
转换模块,用于通过预设训练数据完成更新模型训练参数后的预设yolov5模型的训练,再次调整模型训练参数;以获得最终模型训练参数对应的pt文件,将pt文件转换为边端芯片直接使用的wk文件。
7. 根据权利要求6所述的基于yolov5剪枝的边端芯片检测分类系统,其特征在于,更新模块包括公共参数更新单元,
用于根据公式:
,确定第i层内全部滤波器对应的公共参数信息。
8.根据权利要求6所述的基于yolov5剪枝的边端芯片检测分类系统,其特征在于,更新模块包括通道参数更新单元,
用于通过预设规则公式:,获得规整后的通道参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310146707.2A CN115935263B (zh) | 2023-02-22 | 2023-02-22 | 基于yolov5剪枝的边端芯片检测分类方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310146707.2A CN115935263B (zh) | 2023-02-22 | 2023-02-22 | 基于yolov5剪枝的边端芯片检测分类方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115935263A true CN115935263A (zh) | 2023-04-07 |
CN115935263B CN115935263B (zh) | 2023-06-16 |
Family
ID=86700896
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310146707.2A Active CN115935263B (zh) | 2023-02-22 | 2023-02-22 | 基于yolov5剪枝的边端芯片检测分类方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115935263B (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109886397A (zh) * | 2019-03-21 | 2019-06-14 | 西安交通大学 | 一种针对卷积层的神经网络结构化剪枝压缩优化方法 |
CN110718211A (zh) * | 2019-09-26 | 2020-01-21 | 东南大学 | 一种基于混合压缩卷积神经网络的关键词识别系统 |
CN111222629A (zh) * | 2019-12-31 | 2020-06-02 | 暗物智能科技(广州)有限公司 | 一种基于自适应批规范化的神经网络模型剪枝方法及系统 |
CN111539224A (zh) * | 2020-06-25 | 2020-08-14 | 北京百度网讯科技有限公司 | 语义理解模型的剪枝方法、装置、电子设备和存储介质 |
CN111931914A (zh) * | 2020-08-10 | 2020-11-13 | 北京计算机技术及应用研究所 | 一种基于模型微调的卷积神经网络通道剪枝方法 |
CN112001477A (zh) * | 2020-06-19 | 2020-11-27 | 南京理工大学 | 一种基于深度学习的目标检测YOLOv3的模型优化算法 |
CN113128676A (zh) * | 2019-12-30 | 2021-07-16 | 广州慧睿思通科技股份有限公司 | 基于目标检测模型的剪枝方法、装置和存储介质 |
CN113554084A (zh) * | 2021-07-16 | 2021-10-26 | 华侨大学 | 基于剪枝和轻量卷积的车辆再辨识模型压缩方法及系统 |
CN113627389A (zh) * | 2021-08-30 | 2021-11-09 | 京东方科技集团股份有限公司 | 一种目标检测的优化方法及设备 |
CN114037844A (zh) * | 2021-11-18 | 2022-02-11 | 西安电子科技大学 | 基于滤波器特征图的全局秩感知神经网络模型压缩方法 |
CN114677673A (zh) * | 2022-03-30 | 2022-06-28 | 中国农业科学院农业信息研究所 | 一种基于改进yolo v5网络模型的马铃薯病害识别方法 |
CN115100549A (zh) * | 2022-06-24 | 2022-09-23 | 国网山西省电力公司超高压输电分公司 | 一种基于改进YOLOv5的输电线路金具检测方法 |
CN115527086A (zh) * | 2022-11-01 | 2022-12-27 | 深圳市天双科技有限公司 | 一种基于通道剪枝yolov5s的检测行人方法 |
-
2023
- 2023-02-22 CN CN202310146707.2A patent/CN115935263B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109886397A (zh) * | 2019-03-21 | 2019-06-14 | 西安交通大学 | 一种针对卷积层的神经网络结构化剪枝压缩优化方法 |
CN110718211A (zh) * | 2019-09-26 | 2020-01-21 | 东南大学 | 一种基于混合压缩卷积神经网络的关键词识别系统 |
CN113128676A (zh) * | 2019-12-30 | 2021-07-16 | 广州慧睿思通科技股份有限公司 | 基于目标检测模型的剪枝方法、装置和存储介质 |
CN111222629A (zh) * | 2019-12-31 | 2020-06-02 | 暗物智能科技(广州)有限公司 | 一种基于自适应批规范化的神经网络模型剪枝方法及系统 |
CN112001477A (zh) * | 2020-06-19 | 2020-11-27 | 南京理工大学 | 一种基于深度学习的目标检测YOLOv3的模型优化算法 |
CN111539224A (zh) * | 2020-06-25 | 2020-08-14 | 北京百度网讯科技有限公司 | 语义理解模型的剪枝方法、装置、电子设备和存储介质 |
CN111931914A (zh) * | 2020-08-10 | 2020-11-13 | 北京计算机技术及应用研究所 | 一种基于模型微调的卷积神经网络通道剪枝方法 |
CN113554084A (zh) * | 2021-07-16 | 2021-10-26 | 华侨大学 | 基于剪枝和轻量卷积的车辆再辨识模型压缩方法及系统 |
CN113627389A (zh) * | 2021-08-30 | 2021-11-09 | 京东方科技集团股份有限公司 | 一种目标检测的优化方法及设备 |
CN114037844A (zh) * | 2021-11-18 | 2022-02-11 | 西安电子科技大学 | 基于滤波器特征图的全局秩感知神经网络模型压缩方法 |
CN114677673A (zh) * | 2022-03-30 | 2022-06-28 | 中国农业科学院农业信息研究所 | 一种基于改进yolo v5网络模型的马铃薯病害识别方法 |
CN115100549A (zh) * | 2022-06-24 | 2022-09-23 | 国网山西省电力公司超高压输电分公司 | 一种基于改进YOLOv5的输电线路金具检测方法 |
CN115527086A (zh) * | 2022-11-01 | 2022-12-27 | 深圳市天双科技有限公司 | 一种基于通道剪枝yolov5s的检测行人方法 |
Non-Patent Citations (3)
Title |
---|
YANG HE等: "《Filter Pruning via Geometric Median for Deep Convolutional Neural Networks Acceleration》", 《2019 IEEE/CVF CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION (CVPR)》 * |
冉光金等: "《基于灵敏度分析的FPGM剪枝算法研究》", 《计算机应用研究》 * |
臧影等: "《高性能整数倍稀疏网络行为识别研究》", 《中国图象图形学报》 * |
Also Published As
Publication number | Publication date |
---|---|
CN115935263B (zh) | 2023-06-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110807429B (zh) | 基于tiny-YOLOv3的施工安全检测方法及系统 | |
US20210201024A1 (en) | Crop identification method and computing device | |
CN108256419A (zh) | 一种利用多光谱解译提取港口码头图像的方法 | |
CN111163628A (zh) | 使用图像数据的自动植物检测 | |
US20220156492A1 (en) | System for producing satellite imagery with high-frequency revisits using deep learning to monitor vegetation | |
CN109389049A (zh) | 基于多时相sar数据与多光谱数据的作物遥感分类方法 | |
CN108427920A (zh) | 一种基于深度学习的边海防目标检测方法 | |
CN112580512B (zh) | 一种基于通道裁剪的轻量级无人机目标检测方法 | |
US11010913B2 (en) | Determining the grain weight of an ear | |
JPWO2018173622A1 (ja) | 植生指標算出装置、植生指標算出方法、及びプログラム | |
CN110443245B (zh) | 一种非限制场景下的车牌区域的定位方法、装置及设备 | |
CN110852385B (zh) | 图像处理方法、装置、设备和存储介质 | |
CN113514109A (zh) | 一种无人机飞行故障检测方法和系统 | |
CN116229226A (zh) | 一种适用于光电吊舱的双通道图像融合目标检测方法 | |
CN114386588B (zh) | 神经网络推理方法和系统 | |
CN115935263A (zh) | 基于yolov5剪枝的边端芯片检测分类方法及系统 | |
US11868434B2 (en) | Method for creating training data for artificial intelligence system to classify hyperspectral data | |
CN115171183A (zh) | 一种基于改进yolov5的口罩人脸检测方法 | |
CN117456367A (zh) | 一种农作物种植区域识别方法、装置、设备及存储介质 | |
CN113516177A (zh) | 基于光谱纹理特征和支持向量机的小麦倒伏区域识别方法 | |
CN116762786A (zh) | 水稻种植用农药喷洒控制系统及其方法 | |
CN116029440A (zh) | 光伏电站超短期功率预测方法和装置 | |
US20210383546A1 (en) | Learning device, image processing device, learning method, image processing method, learning program, and image processing program | |
CN115660991A (zh) | 模型的训练方法、图像曝光矫正方法、装置、设备及介质 | |
CN114663761A (zh) | 作物长势确定方法、装置、设备和存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |