edgeyolo

EdgeYOLO项目介绍

概述

EdgeYOLO是一个专注于在嵌入式设备上实现实时物体检测的开源项目。它采用无锚点设计，目标是在能耗较低的边缘设备上实现高效的物体检测。EdgeYOLO在Nvidia Jetson AGX Xavier等嵌入式设备上取得了显著性能，实测在COCO2017数据集上达到了每秒34帧（FPS），平均精度（AP）为50.6%，而在VisDrone2019数据集上达到了25.9%的AP。EdgeYOLO-S模型更小且性能更佳，每秒可达53帧，AP达到44.1%，在P5小型模型中表现尤为优异。

项目特点

• 高效的数据增强：在训练过程中，EdgeYOLO提供了更有效的数据增强策略，有助于提高检测精度。
• 针对小型和中型目标的优化：通过在训练后期使用RH损失函数，EdgeYOLO增强了对小型和中型物体的检测性能。
• 边缘友好设计：EdgeYOLO设计优先考虑嵌入式设备的限制，使其能够在资源有限的环境中有效运行。

近期更新

• 支持各种模型导出：EdgeYOLO新增支持将ONNX模型导出为适用于华为昇腾芯片设备的OM模型，以及相关的C++部署代码。
• 容器化部署：项目引入了Docker环境，便于在不同的边缘设备上训练和导出模型，例如RKNN、Horizon J5、Jetson等。
• 多种模型配置：支持TensorRT、RKNN等多种形式的部署代码，也包含用于COCO2017和VisDrone2019数据集的预训练模型下载。

常用工具

项目推荐使用Segment Anything Model（SAM）辅助的图像标注工具来提高标注效率，尤其在多人同时远程标注任务中效果明显。

数据集支持

EdgeYOLO支持多种数据集格式，包括COCO、YOLO、VOC、VisDrone DOTA等。特别是，可以直接利用已存在的YOLO格式的数据集，或从VisDrone2019-DET数据集中支持COCO格式的数据。

简易使用指南

• 环境设置：使用Git克隆项目，安装依赖包，支持使用tensorrt时需额外配置torch2trt。
• 推理与训练：通过提供的脚本，用户可以轻松地在自定义数据集上进行模型推理和训练。项目还支持通过docker进行一键部署，以便在没有桌面环境的设备上使用。

模型性能与应用

EdgeYOLO在多个数据集上表现出色，适用于视频流和图像文件等多种输入源，用户可以根据需求设置输入大小、置信度阈值等参数。同时，项目提供了训练和评估模型的方法指南和脚本，方便用户进行模型的微调和优化。

EdgeYOLO项目旨在为边缘设备上的实时目标检测提供强大且易用的解决方案，是在资源受限环境中实现高精度检测的有力工具。无论是科研人员还是技术应用者，都可以在各种场景下利用EdgeYOLO实现高效的物体检测。