FastestDet

GitHub
856 153 简单 1 次阅读 4天前BSD-3-Clause图像开发框架
AI 解读 由 AI 自动生成，仅供参考

FastestDet 是一款专为边缘设备设计的超轻量级目标检测算法。它致力于解决在算力有限的硬件（如手机、嵌入式开发板）上运行检测模型时，速度与精度难以兼顾的痛点。相比前代知名轻量模型 Yolo-fastest，FastestDet 在保持极低参数量（仅约 250K）的同时，将推理速度提升了约 10%，并显著简化了后处理流程，使其更易于工程部署。

该工具特别适合需要在移动端或 IoT 设备上实现实时视觉应用的开发者与研究人员。其核心技术亮点在于采用了无锚框（Anchor-Free）设计、单尺度检测头以及动态正负样本分配策略。这些创新不仅去除了繁琐的锚框计算，还通过引入基于 Smooth L1 的 IOU 感知损失函数，有效提升了检测精度（mAP）。此外，FastestDet 支持 NCNN、RKNN 等多种主流推理框架，在 ARM CPU、NPU 及 x86 平台上均有优秀的性能表现，且数据标注格式兼容经典的 Darknet Yolo 标准，极大降低了用户的使用门槛和迁移成本。

使用场景

某嵌入式开发团队正在为基于 RK3568 芯片的工业巡检机器人开发实时缺陷检测系统，需在资源受限的边缘端实现高帧率运行。

没有 FastestDet 时

  • 模型参数量过大（如 YOLOv5s 达 7.2M），导致内存占用高，机器人主控芯片频繁出现内存溢出报警。
  • 推理延迟严重，单核 CPU 下耗时超过 1000ms，无法满足产线高速流转下的实时反馈需求。
  • 后处理逻辑复杂，锚框（Anchor）机制引入了大量冗余计算，进一步拖慢了整体检测速度。
  • 在低算力设备上部署困难，不得不降低输入分辨率，导致小目标缺陷漏检率居高不下。

使用 FastestDet 后

  • 模型权重仅 250K 参数，内存占用极低，完美适配机器人有限的硬件资源，系统运行稳定无溢出。
  • 推理速度显著提升，在同等单核 CPU 环境下耗时降至约 70ms，实现了流畅的实时视频流检测。
  • 采用无锚框（Anchor-Free）设计与简化的后处理流程，大幅减少了无效计算，算法逻辑更加轻量高效。
  • 保持了 352x352 的较高输入分辨率，结合优化的损失函数，使微小裂纹等缺陷的检出精度提升了 1.2%。

FastestDet 通过极致的轻量化设计与高效的推理性能，成功解决了边缘设备在实时目标检测中“跑得动”与“测得准”难以兼得的核心难题。

运行环境要求

操作系统
  • Linux
  • Android
GPU
  • 非必需
  • 训练阶段依赖 PyTorch（README 提示需注意 CUDA 版本选择），推理阶段主要基于 CPU (NCNN) 或 NPU (RKNN)，支持 ARM Cortex-A55 及 x86 架构
内存

未说明

依赖
notes1. 该工具主打轻量级和边缘端部署，推理后端主要支持 NCNN (CPU) 和 RKNN (NPU)。2. 训练数据格式需遵循 Darknet Yolo 标准。3. 部署到 NCNN 需预先编译 ncnn 和 opencv 库。4. 支持导出 ONNX 和 TorchScript 格式。
python3.x (示例命令使用 python3)
torch
ncnn
opencv
onnx-runtime
FastestDet hero image

快速开始

2022年7月14日：优化损失函数，采用基于平滑L1的IOU感知方法，AP显著提升0.7个百分点

:zap:FastestDet:zap:

DOI image image image

  • 更快！更强！更简单！
  • 相比Yolo-fastest，性能更好且特征图后处理更简单
  • 性能比Yolo-fastest高出10%
  • 与Yolo-fastestv2的map0.5相比，COCO评估指标提升了1.2%
  • 算法介绍：https://zhuanlan.zhihu.com/p/536500269 交流qq群:1062122604

评估指标/基准

网络 mAPval 0.5 mAPval 0.5:0.95 分辨率 运行时间(4核) 运行时间(1核) 参数量(M)
yolov5s 56.8% 37.4% 640X640 395.31ms 1139.16ms 7.2M
yolov6n - 30.8% 416X416 109.24ms 445.44ms 4.3M
yolox-nano - 25.8% 416X416 76.31ms 191.16ms 0.91M
nanodet_m - 20.6% 320X320 49.24ms 160.35ms 0.95M
yolo-fastestv1.1 24.40% - 320X320 26.60ms 75.74ms 0.35M
yolo-fastestv2 24.10% - 352X352 23.8ms 68.9ms 0.25M
FastestDet 25.3% 13.0% 352X352 23.51ms 70.62ms 0.24M
  • 测试平台为Radxa Rock3A RK3568 ARM Cortex-A55 CPU，基于NCNN
  • CPU主频锁定为2.0GHz

改进点

  • 无锚框
  • 单尺度检测头
  • 跨网格多候选目标
  • 动态正负样本分配

多平台基准测试

设备 计算后端 系统 框架 单核运行时间 多核运行时间
Radxa rock3a RK3568(arm-cpu) Linux(aarch64) ncnn 70.62ms 23.51ms
Radxa rock3a RK3568(NPU) Linux(aarch64) rknn 28ms -
Qualcomm Snapdragon 835(arm-cpu) Android(aarch64) ncnn 32.34ms 16.24ms
Intel i7-8700(X86-cpu) Linux(amd64) ncnn 4.51ms 4.33ms

使用方法

依赖安装

  • PiP（注意选择PyTorch CUDA版本）
    pip install -r requirements.txt

测试

  • 图片测试
    python3 test.py --yaml configs/coco.yaml --weight weights/weight_AP05:0.253207_280-epoch.pth --img data/3.jpg
/>

训练方法

数据集构建（数据集构建方式与Darknet YOLO相同）

  • 数据集格式与Darknet YOLO一致，每张图片对应一个.txt标签文件。标签格式也遵循Darknet YOLO的数据集标签格式：“类别 cx cy wh”，其中类别为类别下标，cx、cy为归一化标签框中心点坐标，w、h为归一化标签框的宽和高。.txt标签文件内容示例如下：
    11 0.344192634561 0.611 0.416430594901 0.262
14 0.509915014164 0.51 0.974504249292 0.972
  • 图片与其对应的标签文件同名并存放在同一目录中。数据文件结构如下：
    .
├── train
│   ├── 000001.jpg
│   ├── 000001.txt
│   ├── 000002.jpg
│   ├── 000002.txt
│   ├── 000003.jpg
│   └── 000003.txt
└── val
    ├── 000043.jpg
    ├── 000043.txt
    ├── 000057.jpg
    ├── 000057.txt
    ├── 000070.jpg
    └── 000070.txt
  • 生成数据集路径.txt文件，示例内容如下：

train.txt

/home/qiuqiu/Desktop/dataset/train/000001.jpg
/home/qiuqiu/Desktop/dataset/train/000002.jpg
/home/qiuqiu/Desktop/dataset/train/000003.jpg

val.txt

/home/qiuqiu/Desktop/dataset/val/000070.jpg
/home/qiuqiu/Desktop/dataset/val/000043.jpg
/home/qiuqiu/Desktop/dataset/val/000057.jpg
  • 生成.names类别标签文件，示例内容如下：

category.names

人
自行车
汽车
摩托车
...
  • 最终构建的训练数据集目录结构如下：
    .
├── category.names        # .names类别标签文件
├── train                 # 训练数据集
│   ├── 000001.jpg
│   ├── 000001.txt
│   ├── 000002.jpg
│   ├── 000002.txt
│   ├── 000003.jpg
│   └── 000003.txt
├── train.txt              # 训练数据集路径.txt文件
├── val                    # 验证数据集
│   ├── 000043.jpg
│   ├── 000043.txt
│   ├── 000057.jpg
│   ├── 000057.txt
│   ├── 000070.jpg
│   └── 000070.txt
└── val.txt                # 验证数据集路径.txt文件

构建训练.yaml配置文件

  • 参考./configs/coco.yaml
    DATASET:
  TRAIN: "/home/qiuqiu/Desktop/coco2017/train2017.txt"  # 训练数据集路径.txt文件
  VAL: "/home/qiuqiu/Desktop/coco2017/val2017.txt"      # 验证数据集路径.txt文件 
  NAMES: "dataset/coco128/coco.names"                   # .names类别标签文件
MODEL:
  NC: 80                                                # 检测类别数
  INPUT_WIDTH: 352                                      # 模型输入图像宽度
  INPUT_HEIGHT: 352                                     # 模型输入图像高度
TRAIN:
  LR: 0.001                                             # 训练学习率
  THRESH: 0.25                                          # ？？？？
  WARMUP: true                                          # 开启预热
  BATCH_SIZE: 64                                        # 批量大小
  END_EPOCH: 350                                        # 训练轮次
  MILESTIONES:                                          # 学习率衰减步骤
    - 150
    - 250
    - 300

训练

  • 执行训练任务
    python3 train.py --yaml configs/coco.yaml

评估

  • 计算地图评估
    python3 eval.py --yaml configs/coco.yaml --weight weights/weight_AP05:0.253207_280-epoch.pth
  • COCO2017 评估
    创建索引中…
索引创建完成！
创建索引中…
索引创建完成！
正在进行逐张图像的评估…
评估标注类型 *bbox*
完成（耗时30.85秒）。
累积评估结果中…
完成（耗时4.97秒）。
平均精度（AP）@[ IoU=0.50:0.95 | area=   all | maxDets=100 ] = 0.130
平均精度（AP）@[ IoU=0.50      | area=   all | maxDets=100 ] = 0.253
平均精度（AP）@[ IoU=0.75      | area=   all | maxDets=100 ] = 0.119
平均精度（AP）@[ IoU=0.50:0.95 | area= small | maxDets=100 ] = 0.021
平均精度（AP）@[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.129
平均精度（AP）@[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.237
平均召回率（AR）@[ IoU=0.50:0.95 | area=   all | maxDets=  1 ] = 0.142
平均召回率（AR）@[ IoU=0.50:0.95 | area=   all | maxDets= 10 ] = 0.208
平均召回率（AR）@[ IoU=0.50:0.95 | area=   all | maxDets=100 ] = 0.214
平均召回率（AR）@[ IoU=0.50:0.95 | area= small | maxDets=100 ] = 0.043
平均召回率（AR）@[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.236
平均召回率（AR）@[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.372

部署

导出 onnx

  • 在执行 test.py 时添加 --onnx 选项即可导出 .onnx 文件
    python3 test.py --yaml configs/coco.yaml --weight weights/weight_AP05:0.253207_280-epoch.pth --img data/3.jpg --onnx

导出 torchscript

  • 在执行 test.py 时添加 --torchscript 选项即可导出 .pt 文件
    python3 test.py --yaml configs/coco.yaml --weight weights/weight_AP05:0.253207_280-epoch.pth --img data/3.jpg --torchscript

NCNN

  • 需要提前编译 ncnn 和 opencv，并修改 build.sh 中的路径
    cd example/ncnn/
sh build.sh
./FastestDet

onnx-runtime

  • 可以在此示例中了解 FastestDet 的预处理和后处理方法
    cd example/onnx-runtime
pip install onnx-runtime
python3 runtime.py

引用

  • 如果您在研究中发现本项目有用，请考虑引用：
    @misc{=FastestDet,
      title={FastestDet：超轻量级无锚点实时目标检测算法。},
      author={xuehao.ma},
      howpublished = {\url{https://github.com/dog-qiuqiu/FastestDet}},
      year={2022}
}

参考文献

版本历史

v1.02022/07/02

常见问题

相似工具推荐

openclaw

OpenClaw 是一款专为个人打造的本地化 AI 助手，旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚，能够直接接入你日常使用的各类通讯渠道，包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息，OpenClaw 都能即时响应，甚至支持在 macOS、iOS 和 Android 设备上进行语音交互，并提供实时的画布渲染功能供你操控。 这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地，用户无需依赖云端服务即可享受快速、私密的智能辅助，真正实现了“你的数据，你做主”。其独特的技术亮点在于强大的网关架构，将控制平面与核心助手分离，确保跨平台通信的流畅性与扩展性。 OpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者，以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力（支持 macOS、Linux 及 Windows WSL2），即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你

★ 349.3k|★★★☆☆|1周前
Agent开发框架图像

stable-diffusion-webui

stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。 无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。

★ 162.1k|★★★☆☆|1周前
开发框架图像Agent

everything-claude-code

everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。 通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。 这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上

★ 159.3k|★★☆☆☆|今天
开发框架Agent语言模型

ComfyUI

ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。 这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。 无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。

★ 108.3k|★★☆☆☆|1周前
开发框架图像Agent

gemini-cli

gemini-cli 是一款由谷歌推出的开源 AI 命令行工具，它将强大的 Gemini 大模型能力直接集成到用户的终端环境中。对于习惯在命令行工作的开发者而言，它提供了一条从输入提示词到获取模型响应的最短路径，无需切换窗口即可享受智能辅助。 这款工具主要解决了开发过程中频繁上下文切换的痛点，让用户能在熟悉的终端界面内直接完成代码理解、生成、调试以及自动化运维任务。无论是查询大型代码库、根据草图生成应用，还是执行复杂的 Git 操作，gemini-cli 都能通过自然语言指令高效处理。 它特别适合广大软件工程师、DevOps 人员及技术研究人员使用。其核心亮点包括支持高达 100 万 token 的超长上下文窗口，具备出色的逻辑推理能力；内置 Google 搜索、文件操作及 Shell 命令执行等实用工具；更独特的是，它支持 MCP（模型上下文协议），允许用户灵活扩展自定义集成，连接如图像生成等外部能力。此外，个人谷歌账号即可享受免费的额度支持，且项目基于 Apache 2.0 协议完全开源，是提升终端工作效率的理想助手。

★ 100.8k|★★☆☆☆|1周前
插件Agent图像

markitdown

MarkItDown 是一款由微软 AutoGen 团队打造的轻量级 Python 工具，专为将各类文件高效转换为 Markdown 格式而设计。它支持 PDF、Word、Excel、PPT、图片（含 OCR）、音频（含语音转录）、HTML 乃至 YouTube 链接等多种格式的解析，能够精准提取文档中的标题、列表、表格和链接等关键结构信息。 在人工智能应用日益普及的今天，大语言模型（LLM）虽擅长处理文本，却难以直接读取复杂的二进制办公文档。MarkItDown 恰好解决了这一痛点，它将非结构化或半结构化的文件转化为模型“原生理解”且 Token 效率极高的 Markdown 格式，成为连接本地文件与 AI 分析 pipeline 的理想桥梁。此外，它还提供了 MCP（模型上下文协议）服务器，可无缝集成到 Claude Desktop 等 LLM 应用中。 这款工具特别适合开发者、数据科学家及 AI 研究人员使用，尤其是那些需要构建文档检索增强生成（RAG）系统、进行批量文本分析或希望让 AI 助手直接“阅读”本地文件的用户。虽然生成的内容也具备一定可读性，但其核心优势在于为机器

★ 93.4k|★★☆☆☆|1周前
插件开发框架