边缘场景下轻量级、超轻量级模型的开发如果没有一定的工程经验还是很难出结果的，在我以往的开发过程中也遇上了很多的问题，接触到了很多出色的模型，本文主要是系统化的讲解超轻量级模型FasestDet的完整落地应用过程。

数据集方面我是自建的五类水果检测的数据集，主要包括：香蕉、黄瓜、芒果、葡萄和梨，一共有4494的样本数据量，这里为了方便大家进行各种各样的模型的实验，我同时提供了txt和xml两种标注格式的标注文件。如下所示：

FastestDet基础介绍：

【算法定位】

FastestDet是设计用来接替yolo-fastest系列算法，相比于业界已有的轻量级目标检测算法如yolov5n, yolox-nano, nanoDet, pp-yolo-tiny, FastestDet和这些算法压根儿不是一个量级，FastestDet无论在速度还是参数量上，都是要小好几个数量级的。FastestDet是针对计算资源紧缺的ARM平台设计的，突出单核效能，因为在实际业务场景中，不会把所有CPU资源都给推理框架做模型推理的，假如说你想在例如树莓派, RK3399, RK3568去跑实时目标检测，那么FastestDet是比较好的选择，或者移动端上不想占用太多cpu资源，也可以去用单核并设置cpu sleep去推理FastestDet，在低功耗的条件下运行算法。

【算法特性】

1.单轻量化检测头 

2.anchor-free 

3.跨网格多候选目标 

4.动态正负样本分配 

5.简单的数据增强

项目所依赖环境如下：

项目完整截图如下所示：

各个项目文件说明如下所示：

测试样例如下：

如有需要可以自行下载

我基于原始的项目做了改进和精简，开发了数据集一键灵活创建模块，可以灵活设定训练集比例；开发了独立的摄像头实时视频流数据检测计算模块和单张图像推理检测模块；各环节疑难问题解决修复；存储名称改造方便文件按名称寻找。

PS：

如果环境搭建有问题可联系我，付费后有联系方式

如果有技术问题可以联系我，付费后有联系方式

如果有相关数据集的需求可以联系我【我们有海量场景的数据集】，付费后有联系方式