fastest专题

mysql8 .net sqlsuger 批量插入dbScope.Fastest＜T＞().PageSize(2000).BulkCopy(T)＞

连接mysql时出现 MySqlConnector.MySqlException (0x80004005): Access denied; you need (at least one of) the SUPER or SYSTEM_VARIABLES_ADMIN privilege(s) for this operation 需要再数据库开启权限 grant SUPER,SYSTEM_VARI

zed-yolo编译 error: ‘CUDNN_CONVOLUTION FWD_PREFER_FASTEST’ undeclared

使用的cudnn版本太高，zed-yolo支持的cudnn版本为v3-v7。 This repository supports:* both Windows and Linux* both OpenCV 2.x.x and OpenCV <= 3.4.0 (3.4.1 and higher isn't supported)* both cuDNN v5-v7* CUDA >= 7.5*

通过NCNN在树莓派上部署Fastest YOLO

前言：最近一直在用树莓派做深度学习方面的模型部署，从最开始的直接移植官方的yolov5模型，到自己精简模型结构压缩参数再放到树莓派上跑，最后的结果总是能跑但FPS过于低，跑个图片还能接受，但是跑实时摄像头就尤其慢。在重重受挫后，开始考虑用各种架构。最开始是用Intel的Openvino去做，但是一是部署和安装环境的过程极其艰难，其次是缺少英特尔神经棒的硬件支持，半道崩阻了。不过好在在知乎上

Yolo-Fastest

还是说个工业级轻量的哦~ 开源代码库先行：https://github.com/dog-qiuqiu/Yolo-Fastest 目标检测是现在最热门的研究课题，也一直是工业界重点研究的对象，最近几年内，也出现了各种各样的检测框架，所属于YOLO系列是最经典也是目前被大家认可使用的检测框架。今天说的这个系列模型，模型非常小、目前最快的YOLO算法——大小只有1.4MB，单核每秒148帧，

跑通YOLO-Fastest

跑通YOLO-Fastest 一、代码来源 https://github.com/dog-qiuqiu/Yolo-Fastest 二、环境配置 1.win10 2.cuda10.2+cudnn 3.opencv451 4.vs2015 5.cmake 三、编译代码 1.修改Makefile配置 GPU=1CUDNN=1CUDNN_HALF=0OPENCV=1AVX=1OPE

YOLO-Fastest训练自己的数据

YOLO-Fastest训练自己的数据继续yolo-fastest的学习，上一篇已经基本跑通了yolo-fastest，接下来开始训练，本次代码依旧是：https://github.com/dog-qiuqiu/Yolo-Fastest 吐槽一句，这个代码里面怎么啥都有，感觉好乱啊！刚开始看的时候一脸懵逼，反复确认才明白没下载错代码。然后作者官方Readme只要简简单单的一两句话介绍训练，估

树莓派部署yolo fastest ncnn记录

成功跑通写的总结部署环境 1.ubuntu18 2.opencv4.5.1 3.树莓派4b 一、编译ncnn 1.ncnn环境配置 sudo apt-get install -y gfortransudo apt-get install -y libprotobuf-dev libleveldb-dev libsnappy-dev libopencv-dev libhdf5-serial

YOLO-Fastest 编译、测试

YOLO-Fastest 编译、测试参考文章：【超快超轻YOLO】YOLO-Fastest从Darknet源码编译、测试再到训练完整图文教程！ YOLO-Fastest 项目地址：https://github.com/dog-qiuqiu/Yolo-Fastest 工具：win10、visual studio2019、CMake、opencv4.4、nvidia显卡驱动、CUDA、cuD

安卓版yolo-fastest

安卓版本yolofastest效果测试安卓配置OPENCV4ANDROID，见我的博客一篇文章opencv4dandroid配置这个不需要使用JNI，十分简单的配置说真的，其实只调用OPENCV的函数，自己写的代码不多，使用OPENCV4ANDROID和JNI的时间差不多。目前已经集成了SSD，YOLO-FASTEST的安卓版本，速度挺快的，大概每帧60MS左右，其他的加速

将yolo-fastest自训练模型转成rknn，并在rv1126下实现推理

关于如何用训练自己的yolo-fastest模型，上一篇博文已经说明，现记录先近期的实验。环境：系统：ubuntu1804 软件：rknn-toolkit 1.6.0（根据Rockchip_Quick_Start_RKNN_Toolkit_Vx.x.x_CN.pdf文档，部署好其他软件环境，opencv numpy tensorflow…等一系列依赖）硬件：rv1126开发板（rp pro

Yolo-Fastest介绍

基于yolo的超轻量级通用目标检测算法，计算量仅为250mflops, ncnn模型大小仅666kb，树莓Pi 3b可以跑到15fps+，移动终端可以跑到178fps+ 评价指标/基准 Yolo-Fastest-1.1 多平台的基准加入社区: code china平台文章参考链接: https://codechina.csdn.net/mirrors/dog-qiuqiu/Yol

使用Featurize在VOC0712数据集上基于Darknet训练YOLO-Fastest的过程演示

文章目录 0 声明1 正文1.1 框架和数据集准备1.2 网络准备1.3 网络训练1.4 网络评估 2 总结 0 声明作者联系方式：E-mail: WindForest@yeah.net 本文用于使用Featurize平台在VOC0712数据集上基于Darknet训练YOLO-Fastest的过程参考。本文仅为个人学习记录，由本文的错误造成的损失，作者概不负责。项说明

yolo fastest模型网络结构魔改

在将训练的yolo fastest模型部署移动端测试的时候，发现其中一个分支基本没有起作用，在训练的时候从日志也看出来了，打印的指标都是0，所以打算将网络的这个分支剥离掉。修改的方式就是将cfg文件中对应的分支去掉，只保留有用的那个分支。虽然减少了一个分支，但是计算量并没有减少太多，在移动端提升大概1ms+。

能在ARM-CPU上实时识别图像的深度学习算法之yolo-fastest

引言近期一直在寻找一种用CPU就可以快速识别图像的方法，从经典的特征匹配方式到后面的深度学习，过程涉及了sift、surf、tensorflow2、yolov4-tiny、nanodet、yolo-fastest。经过层层筛选，最后确定了yolo-fastest，官方称树莓派4b可以达30+fps官方地址。刚好有个树莓派在手上，于是决定试试。官方预训练模型测试下载官方源码Yolo-Fa