YOLO-LITE
项目：Yolo-lite
不懂原理的可以看我的这篇博客：YOLO－LITE原理
YOLO-LITE是YOLOv2的网络实施 - 在MS COCO 2014和PASCAL VOC 2007 + 2012上接受过微小训练。在开发YOLO-LITE时使用的所有训练模型（cfg和权重文件）都在这里。我们的目标是创建一个架构，可以在没有GPU的计算机上以10 FPS的速度进行实时物体检测，平均精度约为30％
Demo
https://reu2018dl.github.io/#examples 可以直接在浏览器中进行实时的目标检测，有COCO和VOC训练模型．
Results
| DataSet | mAP | FPS |
|---|---|---|
| PASCAL VOC | 33.57 | 21 |
| COCO | 12.26 | 21 |
best PASCAL cfg | best PASCAL weights
best COCO cfg | best COCO weights
效果图：
至于实时目标检测的视频可以自己去模拟哈
Ｇetting start：
１．安装darknet(按照readme的步骤安装)
yolov2-tiny.cfg(43 MB COCO Yolo v2) - requires 1 GB GPU-RAM: https://pjreddie.com/media/files/yolov2-tiny.weightsyolov2-tiny-voc.cfg(60 MB VOC Yolo v2) - requires 1 GB GPU-RAM: http://pjreddie.com/media/files/yolov2-tiny-voc.weights
２．安装完之后，可以采用以下命令去测试每个训练模型的平均精确度（map）
python mapScript.py出现提示时，添加cfg的位置和权重文件夹的位置
3.测试
为了得到FPS,采用了darknet的Python改编版Darkflow
4.网页应用
要将模型转换为JavaScript，我们遵循以下教程。
转换为JavaScript后，请参阅我们的两个tfjs-yolo-tiny和tfjs-yolo-tiny-demo的存储库。
将index_coco.js和index_voc.js中的第14行替换为步骤2中生成的.json文件的链接：
model = await downloadModel('put your link here');5.如何修剪重量
虽然我们发现通过一个简单的阈值修剪权重并没有真正影响mAP或FPS somoene，但是其他人可能会觉得这个脚本很有用。要修剪权重文件，导航到weights.py文件然后运行
python weights.py WEIGHTS_FILE_NAME THRESHOLDYOLO－LITE运行速度特别快，感兴趣的朋友可以动手试一试，我会接着进行扩展的，大家一起学习。