用于目标检测，模型小，检测速度快速的单片机程序源码（皆可应用在毕设/课设/大作业/实训/竞赛/项目开发）

# NanoDet-PyTorch * **该代码适合没GPU显卡的嵌入式设备运行，比如“树莓派”、ARM开发板、嵌入式开发板** * 说明：NanoDet作者开源代码地址：https://github.com/RangiLyu/nanodet （致敬） * 该代码基于NanoDet项目进行小裁剪，专门用来实现Python语言、PyTorch 版本的代码，下载直接能使用，支持图片、视频文件、摄像头实时目标检测。 - YOLO、SSD、Fast R-CNN等模型在目标检测方面速度较快和精度较高，但是这些模型比较大，不太适合移植到移动端或嵌入式设备； - 轻量级模型 NanoDet-m，对单阶段检测模型三大模块（Head、Neck、Backbone）进行轻量化，目标加检测速度很快；模型文件大小仅几兆（小于4M）。 - NanoDet 是一种 FCOS 式的单阶段 anchor-free 目标检测模型，它使用 ATSS 进行目标采样，使用 Generalized Focal Loss 损失函数执行分类和边框回归（box regression） ## 模型性能 Model |Resolution|COCO mAP|Latency(ARM 4xCore)|FLOPS|Params | Model Size(ncnn bin) :--------:|:--------:|:------:|:-----------------:|:---:|:-------:|:-------: NanoDet-m | 320*320 | 20.6 | 10.23ms | 0.72B | 0.95M | 1.8mb NanoDet-m | 416*416 | 21.7 | 16.44ms | 1.2B | 0.95M | 1.8mb YoloV3-Tiny| 416*416 | 16.6 | 37.6ms | 5.62B | 8.86M | 33.7mb YoloV4-Tiny| 416*416 | 21.7 | 32.81ms | 6.96B | 6.06M | 23.0mb 说明： * 以上性能基于 ncnn 和麒麟 980 (4xA76+4xA55) ARM CPU 获得的 * 使用 COCO mAP (0.5:0.95) 作为评估指标，兼顾检测和定位的精度，在 COCO val 5000 张图片上测试，并且没有使用 Testing-Time-Augmentation。 ## NanoDet损失函数 * NanoDet 使用了李翔等人提出的 Generalized Focal Loss 损失函数。该函数能够去掉 FCOS 的 Centerness 分支，省去这一分支上的大量卷积，从而减少检测头的计算开销，非常适合移动端的轻量化部署。 * 详细请参考：Generalized Focal Loss: Learning Qualified and Distributed Bounding Boxes for Dense Object Detection ## NanoDet 优势 * 超轻量级：模型文件大小仅几兆（小于4M——nanodet_m.pth）； * 速度超快：在移动 ARM CPU 上的速度达到 97fps（10.23ms）； * 训练友好：GPU 内存成本比其他模型低得多。GTX1060 6G 上的 Batch-size 为 80 即可运行； * 方便部署：提供了基于 ncnn 推理框架的 C++ 实现和 Android demo。 ## 开发环境 ```text Cython termcolor numpy torch>=1.3 torchvision tensorboard pycocotools matplotlib pyaml opencv-python tqdm ``` 通常测试感觉GPU加速（显卡驱动、cudatoolkit 、cudnn）、PyTorch、pycocotools相对难装一点 ## 运行程序 ```text '''目标检测-图片''' # python detect_main.py image --config ./config/nanodet-m.yml --model model/nanodet_m.pth --path street.png '''目标检测-视频文件''' # python detect_main.py video --config ./config/nanodet-m.yml --model model/nanodet_m.pth --path test.mp4 '''目标检测-摄像头''' # python detect_main.py webcam --config ./config/nanodet-m.yml --model model/nanodet_m.pth --path 0 ``` ## 总结 * 通过测试发现NanoDet确实很快，但识别精度和效果比YOLOv4差不少的。 * 适用于对检测精度要求不高的，对实时要求高的移动端或嵌入式设备。 ### 目标检测效果： <img src="https://github.com/guo-pu/NanoDet-PyTorch-CPU/blob/master/docs/%E7%9B%AE%E6%A0%87%E6%A3%80%E6%B5%8B-%E6%95%88%E6%9E%9C.jpg" /><br/>