王镇-短袖短裤识别(yolov)

由于要权衡检测分类的精度和模型运行的速度，我们决定选用检测分类精度较好的目标检测框架，同时使用模型压缩和模型加速方法完成加速。 目标检测框架：基于YOLOv5的One-stage检测框架 模型压缩：基于 BN 放缩因子修剪主干网络 模型加速：TensorRT封装部署 深度学习框架：Pytorch1.7.0 数据增广：随机几何变换、颜色扰动、翻转、多尺度 使用WiderPerson行人数据集（监控抓拍）、COCO行人数据集训练预训练模型 Batch Size：8 SGD momentum: 0.843 weight_decay: 0.00036 学习率: 0.0032 NMS阈值：0.5 正样本阈值：0.5 通过实验发现街拍和商场数据的H:W=2:1的图像，使用输入大小为480的模型检测率更优，对于H:W=1:2的图像，使用输入大小为640的模型检测率更优。因此在测试时使用双模型检测，分析输入图像的尺寸择优选择模型完成预测。 通过实验验证8分类模型优于14分类模型，使用TensorRT和Slimming后加速效果明显。