基于轻量级模型YOLOX-Nano的菜品识别系统

最新推荐文章于 2026-04-08 05:44:15 发布
原创 最新推荐文章于 2026-04-08 05:44:15 发布 · 2.6k 阅读 · 21
标签
#深度学习 #目标检测 #yolox-nano #菜品识别
本文介绍了YOLOX-Nano，一种高性能的无锚框目标检测器，着重于其网络结构、主要改进（如解耦头、数据增强和轻量化），以及在实验环境下的训练过程和结果。YOLOX-Nano在保持高精度的同时，适用于移动设备部署，具有工业价值。

工程Gitee地址：
https://gitee.com/zhong-liangtang/ncnn-android-yolox-nano

一、YOLOX简介

YOLOX是一个在2021年被旷视科技公司提出的高性能且无锚框（Anchor-free）的检测器，在YOLO系列的基础上吸收近年来目标检测学术界的最新成果，如解耦头（Decoupled Head）、数据增强、无锚框、标签分配策略SimOTA（Simplified Optimal Transport Assignment）等等。同时YOLOX继承了YOLO系列容易部署的特点，提供了支持ONNX、TensorRT、ncnn和Openvino的部署版本。

二、YOLOX网络结构

YOLOX的网络有多种版本，本文介绍YOLOX-Nano的网络结构，它由四个部分构成，分别为输入端、用于特征提取的主干网络（Backbone）、用于特征融合的颈部网络（Neck）以及预测（Prediction）。YOLOX-Nano模型网络结构图如下所示。
在这里插入图片描述

输入端采取了Mosaic和Mixup两种数据增强方法，在输入图片时将图片的高和宽统一进行等比例转换。
主干网络使用CSPDarknet网络进行特征提取，CSPDarknet网络利用52层卷积神经网络进行特征提取，1层利用1×1卷积作为全连接层，共计53层卷积神经网络。在特征提取时，会把在特征提取过程中三部分不同尺度的特征信息直接和下一部分的颈部网络相连接。
颈部网络使用FPN结构进行特征融合，在该部分，已经在主干网络获得的特征会结合不同尺度的特征信息来进一步进行特征提取，使模型的性能以及小目标的检测能力得到提升

最低0.47元/天 解锁文章
【YOLOX-nano】YOLOX-nano的推理实践
静谧、淡雅
02-22 345
【YOLOX-nano】YOLOX-nano的推理实践
yolox-nano训练和ncnn安卓部署总结（自己的数据集）
ELSA001的博客
10-29 1万+
yolox_nano模型的参数量极小，并且有着一定的准确度而被使用到手机端的yolox部署： yolox_nano训练命令： python tools/train.py -f exps/example/yolox_voc/yolox_voc_nano.py -d 1 -b 8 -c weights/yolox_nano.pth yolox_nano.pth是官网下载的coco数据集的权重文件来做完这个预训练权重（我发现使用之前训练过的yolox_nano.pth其实也是可以的，这个不是主要问题，重要的是
YOLOX-Nano彩色盒子目标检测：8x8批量训练300轮COCO数据集优化方案
AAD55588899的博客
12-14 1117
本文介绍了使用YOLOX-Nano模型进行彩色盒子目标检测的优化方案。YOLOX-Nano作为轻量级模型，通过Anchor-Free设计和多尺度特征融合，在保持精度的同时降低计算量。针对COCO数据集，采用随机翻转、颜色抖动等数据增强策略提升模型泛化能力。提出8x8批量训练策略，在8个GPU上并行训练以平衡显存限制与训练效率。300轮训练方案包含学习率预热、余弦退火调度等优化措施，配合BCE损失函数和AdamW优化器，确保模型充分收敛。实验结果表明，该方法在彩色盒子检测任务上实现了良好的精度与速度平衡。
Yolox_nano可视化网络结构图
热门推荐
江南研习社
08-03 1万+
Yolox共有七种网络结构，包含2种轻量级网络，和5种标准网络。 ① 轻量级网络 (1) Yolox-Nano可视化网络结构图：点击查看 (2) Yolox-Tiniy可视化网络结构图：点击查看 ② 标准网络 (1)Yolox-s可视化网络结构图：点击查看 (2) Yolox-m可视化网络结构图：点击查看 (3) Yolox-l可视化网络结构图：点击查看 (4) Yolox-x可视化网络结构图：点击查看 (5) Yolox-Darknet53可视化网络结构图：点击查看 此外也放上Yolov3、Yolov4、
YOLO12效果实测：nano版131 FPS实时检测，画框标注精准展示
最新发布
weixin_42405592的博客
04-08 37
本文介绍了如何在星图GPU平台上自动化部署YOLO12 实时目标检测模型 V1.0镜像，实现高效目标检测功能。该模型特别适用于工业质检场景，能以131 FPS的速度精准标注零部件边界框，显著提升生产线检测效率。通过优化注意力机制，YOLO12在保持高速推理的同时，大幅提升了检测精度。
yolo-nano详解
qq_33270279的博客
10-12 1万+
yolo-nano详解 简介 论文：https://arxiv.org/abs/1910.01271 在本文中，来自滑铁卢大学与 Darwin AI 的研究者提出了名为 YOLO Nano 的网络，他们通过人与机器协同设计模型架构大大提升了性能。YOLO Nano 大小只有 4.0MB 左右，比 Tiny YOLOv2 和 Tiny YOLOv3 分别小了 15.1 倍和 8.3 倍，在计算上需要...
YOLOX目标检测实战：Jetson Nano部署
09-11
YOLOX是旷视科技新近推出的高性能实时目标检测网络，性能超越了YOLOv3/YOLOv4 /YOLOv5。 Jetson Nano是英伟达含有GPU的人工智能硬件。本课程讲述如何部署YOLOX在Jetson Nano开发板上。 部署完成后可进行视频文件和摄像头视频的目标检测。部署时将使用AI视频处理加速引擎TensorRT和DeepStream。课程内容包括：原理篇（DeepStream介绍、TensorRT介绍）实践篇（Nano硬件搭建、烧录系统镜像、安装远程登录工具、安装和测试DeepStream、导出YOLOX的onnx文件、安装onnx2trt、生成TensorRT的engine文件、使用DeepStream部署YOLOX(small, tiny, nano)、Nano部署测试、针对自训练数据集的修改。 相关课程：《YOLOX目标检测实战：训练自己的数据集》https://edu.csdn.net/course/detail/35586《YOLOX目标检测实战：TensorRT加速部署》https://edu.csdn.net/course/detail/35716《YOLOX目标检测实战：OpenVINO部署》https://edu.csdn.net/course/detail/35791《YOLOX目标检测实战：Flask部署》https://edu.csdn.net/course/detail/35815《YOLOX目标检测实战：Android手机部署》https://edu.csdn.net/course/detail/35884
YOLOX目标检测实战：训练自己的数据集
07-25
YOLOX是旷视科技新近推出的高性能实时目标检测网络，性能超越了YOLOv3/YOLOv4 /YOLOv5。YOLOX使用 PyTorch开发，采用了Anchor-free机制、解耦头、Multi Positives、先进的标签分配策略和强数据增广等前沿技术。 本课程将手把手地教大家使用labelImg标注和使用YOLOX训练自己的数据集，完成一个多目标检测实战项目，可检测图像和视频中的足球和梅西两个目标类别。  本课程分别在Windows和Ubuntu系统上做项目演示。包括：安装YOLOX、标注自己的数据集、准备自己的数据集（自动划分训练集和验证集）、修改配置文件、训练自己的数据集、测试训练出的网络模型和性能统计。  
智慧自助餐饮系统（SpringBoot+MP+Vue+微信小程序+JNI+ncnn+YOLOX-Nano）
ELSA001的博客
02-08 8805
本项目是配合智慧自助餐厅下的一套综合系统，该系统分为安卓端、微信小程序用户端以及后台管理系统。安卓端利用图像识别技术进行识别多种不同菜品，识别成功后安卓端显示该订单菜品以及价格并且生成进入小程序的二维码，用户扫描后在小程序进行付款和提交订单，用户也可查看订单和菜品等信息，管理员在 Web 后台管理系统进行信息查看餐厅运营情况和管理菜品、订单评价等信息。
【精华】YOLO fastest/YOLOX/YOLO fastestv2/Nanodet/Nanodet Plus模型对比
一个内容严谨、方向前沿、极具实践价值的AI大模型技术分享站
02-21 8462
本博客对目前主流的移动端深度模型YOLO fastest、YOLOX、YOLO fastestv2、NanoDet、NanoDet Plus进行模型分析及性能对比，如有描述有误的地方请批评指正！
吊打一切现有版本的YOLO！旷视重磅开源YOLOX：新一代目标检测性能速度担当！
极市平台的技术博客
07-20 1393
本文首发于极市平台，作者happy，转载须经授权并注明来源 paper: https://arxiv.org/abs/2107.08430 code: https://github.com/Megvii-BaseDetection/YOLOX 本文是旷视科技在目标检测方面的最新技术总结，同时也是CVPR2021自动驾驶竞赛冠军方案的技术总结。本文将近两年来目标检测领域的各个角度的优秀进展与YOLO进行了巧妙地集成组合(比如解耦头、数据增广、标签分配、Anchor-free机制等)得到了YOLOX，性能
esp32-s3部署yolox_nano进行目标检测
weixin_45977690的博客
11-30 6329
使用esp32-s3部署目标检测yolox_nano模型
YOLOX：超越2021年前的YOLO系列
白景屹的博客
05-20 2618
目录摘要1.Introduction2.YOLOX2.1.YOLOX-DarkNet53实验结果 摘要 在本报告中，我们对YOLO系列进行了一些有经验的改进，形成了一种新的高性能探测器YOLOX。我们将YOLO检测器切换为Anchor Free方式，并采用其他先进的检测技术，即解耦头（decoupled head）和新的标签分配策略SimOTA，以在不同模型比较中实现最先进的结果：对于YOLO-Nano（使用了本文的改进）仅使用0.91M参数和1.08G FLOPs，我们在COCO上获得25.3%的AP，.
YOLOV5-模型轻量化的一些常见方法
m0_58508552的博客
02-18 1万+
知识蒸馏是一种有效的模型压缩技术，它可以通过将一个大的模型的知识迁移到一个小的模型中，来减少模型的大小和计算量。具体来说，可以将一个大的Yolov5模型的知识迁移到一个小的Yolov5模型中，从而获得一个轻量化的Yolov5模型。此外，YOLOv5还可以适应不同的设备，如CPU、GPU、TPU等，可以在不同的硬件平台上实现高效的目标检测。总的来说，YOLOv5是一个非常优秀的目标检测算法，具有更快的训练速度、更高的精度、更小的模型体积和更广泛的应用场景，可以为实际应用带来更多的价值。
改进yolov7网络（从轻量化方面的8个方法）
jsnuchao的博客
04-20 1万+
改进yolov7 轻量化方面出发
【目标检测】YOLOX ，YOLO系列的集大成者
qq_43799400的博客
04-06 1万+
YOLOX 详解
【YOLOv7改进轻量化】第一章——引入轻量化骨干网络MobileOne
weixin_44994302的博客
12-26 1万+
YOLOv7轻量化之MobileOne，原理+完整代码实现
YOLOv5改进（一）--轻量化YOLOv5s模型
qq_44231797的博客
04-07 1万+
轻量化YOLOv5s模型
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值