這個yolo-fastest演算法滿足所有平台的需要。不論是pytorch，還是tensorflow，又或者是keras和caffe，可以說是全平台通用。
此外，作者還推出了超輕yolo的「加大版」，同樣只需要3.5mb，就能實現比yolov3更好的目標檢測效果。
那麼，這麼輕的網路，檢測效果怎麼樣？
1.3mb的超輕yolo
下圖是乙隻快速跑動的動物，可以看見，演算法**這只動物為雞（chicken）的概率是95%。
不僅在動物檢測上，對於人的檢測效果也不錯。
從圖中可見，正面人物的**概率都超過了90%，即使是接近側面的人臉，系統也能準確**出來，只是概率會偏小，接近50%。
此外也能看見，yolo不僅能檢測行人和動物，類似於餐桌和瓶子這樣的目標物體也能檢測出來。
當然，桌上還有其他的瓶子，不過沒有檢測出來。
而這樣的檢測效果，只需要1.3mb大小的yolo-fastest模型，相比於3.0mb的mobilenet-yolov3，引數少了65%，速度還要快上45%。
如果硬體要求沒那麼高，相比之下，還是精度更重要的話，這裡的yolo-fastest-xl會更加適合。
這個「加大版」yolo-fastest演算法是乙個3.5mb的演算法模型，map要高上不少，達到了68.8%。
整體來說，yolo-fastest是個犧牲一定精度（大約5%的map）、大幅提公升速度的目標檢測模型。
結合最強移動端輕量級神經網路食用
之所以這麼小，也是因為這個yolo-fastest搭配了號稱當前最強的移動端輕量級神經網路efficientnet-lite。
這是個比mobilenet更輕的神經網路，但影象分類的效果還不錯。
△ efficientnet-lite架構
不過，這樣的壓縮會犧牲一定的精度，相比於yolov3，yolo-fastest模型的map只有60.8%。
但對於一些容量有限的硬體來說，已經足夠適用了。
那麼，究竟為什麼要在目標檢測演算法中選擇yolo呢？
yolo：快速目標檢測
目標檢測演算法yolo的核心，在於它模型體積小、運算速度快。
與r-cnn系列（fast r-cnn、faster r-cnn等）的演算法相比，yolo的精度上不了臺，但它的速度卻是槓槓的。
檢測速度，從先驗框（下圖中五彩斑斕的框架）變換的頻次就能看出來。
之所以追求速度，是因為作為安防、自動駕駛領域的核心演算法，目標檢測講究實時。
如果安防要過幾秒鐘才能檢測出竊賊的存在、或是自動駕駛汽車對路障的感知非常緩慢，那麼後果可能會不堪設想。
此後誕生出來的ssd演算法，有點像r-cnn和yolo演算法的折中。但對於某些儲存體積有限的硬體來說，依舊只有yolo才能「裝得進去」。
而只有230mflops（每秒執行230萬次浮點運算）的yolo-fastest模型，又給算力不足的硬體提供了機會，使得它有機會在更小的機器上執行。
如果感興趣的話，可以一同戳下方傳送門檢視這個目標檢測演算法。
傳送門
1.3mb超輕yolo：
比ssd效果更好的mobilenet-yolo：
更多 linux諮詢請檢視www.linuxprobe.com
api平台通用簽名機制
通用api平台需要對每乙個訪問請求進行身份驗證。借鑑阿里雲的sdk。排序請求字串 對所有的請求引數，按照引數名稱的字典順序進行排序 構造用於計算簽名的字串 stringtosign get或者post 編碼後的引數計算簽名 按照 base64 編碼規則，把步驟 3 得到的 hmac 值編碼成字串，即...
讓看雲平台文章與其他平台通用
一 為什麼選擇看雲 二 如何與其他平台互通 三 參考資料 我選擇看雲，出於以下幾個原因 這說起來可能不算怎麼特別重要 強大的功能，但是我發現其他平台或者工具竟然都不提供這樣的功能，汗。這個也比較好用，這樣我可以方便定製縮排 樣式，很喜歡。看起來就像一本書，結構清晰，支援搜尋。基於以上原因，決定為看雲...
通用服務平台之位址分發
位址分發其實先於 服務被客戶端所鏈結，這是由位址分發功能所決定。位址分發是整個通用平台唯一對客戶端發布服務資料的服務，其功用也是為客戶端提供所需的服務資料。客戶端 位址分發 或其他業務服務關係示意圖如下 位址分發示意圖 如上圖可知客戶端在無任何服務端資料時，首先從位址分發獲取服務資料，之後才能根據獲...