精华内容
下载资源
问答
  • 做一个有目标感的人
    千次阅读
    2020-12-22 11:30:38

    团队具有以下几个重要的构成要素,简称“5P”。

    1.目标(purpose)

    当我们开始打算建立一个团队的时候,就该树立一个明确的目标,这个目标一直存在,直到这个团队完成这个目标为止。刚开始,团队应该有一个既定的目标,为团队导航。例如,这个团队是因为工作关系而组成的项目团队?还是因为完成某项任务而形成的任务团队?这个团队是短时间存在的还是长时期持续的?这些都是团队刚开始时要确定的问题。知道要向何处去,有了目标,才知道怎么向前走,如果团队没有目标,它也就失去了存在的价值。

    如果你只是提出一个建议——“我有一个好主意,咱们来创建一个公司吧”,但是“具体做什么”,“这我还没有想清楚,不过我认为这一定是个好主意”。这就让人感觉你说的话根本没有任何意义,听起来让人感觉有点荒唐。但是,有很多人就是这样考虑问题的。如果还没有确定公司经营的目标,那么谁会为一个前途渺茫的事情去浪费时间呢?可是有些时候,一些经理人就是仅仅因为相信“这是个好主意”而组建团队。然而,最终往往使“好主意”变成“坏主意”。

    有了共同目标后,团队成员才朝着这个目标共同努力,在完成一个共同目标的过程中,成员之间就会无形中产生一种高于团队成员个人总和的认同感。这种认同感为如何解决个人利益和团队利益的碰撞提供了有意义的标准,使得一些威胁性的冲突有可能顺利转变为建设性的转折。

    2.定位(place)

    团队的定位包含两层意思:第一,团队的定位,团队在企业中处于什么位置?由谁选择和决定团队的成员?团队最终对谁负责?团队采取什么方式激励团队成员和团队以外的相关成员?第二,个体的定位,作为成员在团队中扮演什么角色?是制定计划者还是具体实施或评估者?在对这两方面意思都明确的情况下,然后就可以制定一些规范,来规范团队的任务。

    3.计划(plan)

    计划关系到每个团队的构成问题。团队应该如何分配和行使组织赋予的职责和权限?简单地说就是团队中的成员都做什么工作,怎样做?具体来讲,计划有两层含义:第一,目标最终的实现,需要一系列具体的行动方案,可以把计划理解成目标的具体工作的程序。例如,一个团队计划需要回答这些问题:团队有多少成员才合适?团队中必须有一位领导吗?团队领导职位是常设的还是由团队成员轮流担任的?领导者的职责和权限是什么?其他成员的特定职责和权限是什么?团队应该定期开会吗?会议期间要完成哪些工作任务?预期每位团队成员把多少时间投入团队工作中等等具体问题。第二,提前按计划进行,可以保证团队工作的顺利进度。只有在计划的指导下团队才会一步一步贴近目标,从而最终实现目标。

    4.职权(power)

    所谓的职权,这里指团队负有的职责和相应享有的权限。对团队职权进行界定的过程需要解决以下问题:团队工作的范围是什么?团队可能影响到整个组织的事务吗?你愿意让你的团队作为主要顾问,提出意见和建议吗?你希望你的团队采取实际行动,促成某种结果吗?你所组建的团队在多大程度上可以自主决策等等,这些问题会因为具体团队的目标和定位的不同而各不相同,这取决于团队的规模、结构和业务类型等。在解决职权问题时,我们必须坚持“在考虑团队职权因素时,一定要分清轻重缓急”这一原则。

    5. 人(people)

    最后一个要素是人,人是构成团队最核心的力量,如果没有人,也就没有团队可言,也就没有计划的制订和执行了。所有的目标、定位和职权都只能是团队取得成功的基础条件,但决定性条件还在于团队成员的具体执行上的表现。一般来说,至少有3个人就可以构成团队,需要有一个人出主意,有一个人订计划,有一个人实施。当然如果3个人以上,那么就还要有人协调不同的人一起去工作,有人去监督团队工作的进展,评价团队最终的贡献等等。因为每个人的特点不同,所以,一个工作安排者如何分配成员工作,达到优势互补、协调合作影响着团队的发展,当然团队成员之间的关系是否和谐,也对团队成功与否起着作用。因此,组建一个团队,就要了解团队成员一些问题。例如,团队成员的兴趣爱好、性格特点,甚至生活习惯都是什么?所选择的成员都有哪些技能、学识、经验和才干?团队成员在多大程度上符合团队的目标、定位、职权和计划的要求等等。

    作为一个工作安排者只有真正了解团队成员,才有可能使团队成员的才干发挥到最大限度。也许选择的团队成员不是各方面都很优秀,但是只要能够把所有这些人的资源整合在一起并获得最大效率就可以了。

    更多相关内容
  • 厉害的有一个特质,那就是目标感。 埃隆·马斯克就是一个目标感非常强的,知道如何目标管理。 斯克个非常疯狂的火星移民计划:送100万上火星。根据计算,送一个人上火星需要花费100亿美元,全世界没...

    厉害的人都有一个特质,那就是目标感。

    埃隆·马斯克就是一个目标感非常强的人,知道如何做目标管理。

    斯克有个非常疯狂的火星移民计划:送100万人上火星。根据计算,送一个人上火星需要花费100亿美元,全世界没多少人能承担得起,而且还是送100万人上火星。马斯克如何解决这个问题?

    马斯克做的第一步是把目标设定为人均费用降低到50万美元。从100亿美元到50万美元,中间相差20000倍。

    马斯克做的第二步是把20000分解为20×10×100。

    20指的是:现在火星飞船一次只能承载5个人,马斯克的打算是让火星飞船一次坐100人,把成本降低20倍。SpaceX确实正在做这方面的尝试。

    10指的是:将火箭发射成本降低10倍,通过努力,他们已经可以自行生产火箭发射所需的大部分零件,SpaceX的成本目前已经降到了同行的五分之一。

    100指的是:回收可重复使用的火箭,现在火箭发射都是一次性的,发射后零件就会报废,重新制造的成本非常高,如果火箭可以重复使用的话,降低100倍的发射成本也是可以实现的。这也就是我们经常看到SpaceX试飞火箭新闻的原因。

    马斯克将火星移民计划的目标这样拆解下来,是不是靠谱多了?通过目标制定、目标拆解和目标落地,马斯克才能将这个目标向前推进。

    很多人觉得自己目标感太弱,一般就是这三个问题:不会制定目标、不会拆解目标和不会将目标落地为任务。

    智办事这款目标管理和项目管理软件就可以帮助你培养目标感,更有效地完成目标。

    1、目标制定

    正确制定目标是完成目标的关键因素。

    在智办事里面,你可以按照SMART原则制定目标,给目标设定具体的名字、起止时间、目标数量、子目标和关联任务。

    2、目标拆解

    目标拆解可以让你知道实现总目标需要先达成哪些子目标。团队使用的话,可以让员工理解公司的战略,知道自己的工作重心与方向,清晰的告诉他们接下来要做什么,怎么做,他们就能够在自己的工作中,更精准的向目标前进。

    在智办事里面,团队可以将总目标自上而下拆解,企业目标拆解为部门目标,部门目标拆解为个人目标,最后拆解为一个个的子目标,你就知道实现目标的路径是什么,总目标和个人目标也达到了统一,员工会感受到工作的价值,他就会更有驱动力。

    3、目标落地

    目标拆解后,目标上下对焦、左右对齐,子目标的实现可以保证总目标的达成。

    如何实现子目标?

    那就是将目标落地为具体可执行的任务。

    在智办事里面,你可以根据目标去创建任务,或者有事情就建任务,以“事”为中心,还支持将目标与关键任务建立关联。这样你就知道完成目标需要哪些具体可执行的任务了。

    同时,在智办事里面,任务也可以层层拆解,拆解为最小可执行的最小子任务,最小时间周期,这样可以保证任务不延期、按时完成任务。

    智办事还有很多可以帮助你做目标管理和项目管理的功能,比如目标计划、目标进度、任务进度、进展汇报、资源视图、甘特图等等。

    今天的分享到这里就结束啦,感谢你能看到这里,听说三连的小伙伴都好运连连! 喜欢的话就点击关注我吧,更多实用干货等你获取!

    展开全文
  • 各位都非常年轻,我今天来的时候挺压力。因为我毕业快11年了,看到你们,真是觉得“长江后浪推前浪”。 我去年参加了武汉的校招,感觉新一代年轻的素质确实都非常好。我昨天就在想,今天应该跟大家分享什么。想...

    在这里插入图片描述

    张一鸣演讲整理:

    为何毕业多年后
    原本水平差不多的同学都拉开了差距?

    大家好!各位都非常年轻,我今天来的时候挺有压力。因为我毕业快11年了,看到你们,真是觉得“长江后浪推前浪”。

    我去年参加了武汉的校招,感觉新一代年轻人的素质确实都非常好。我昨天就在想,今天应该跟大家分享什么。想了想,先把题目拟出来,把乔布斯的“Stay hungry, Stay foolish”,改成“Stay hungry, Stay young”。

    我想跟大家分享一下我自己毕业后的工作经历和体会。另外,我作为面试官,过去10年里,可能面试过小2000个年轻人。有的和我在一家公司,有的去了别家公司,他们发展差别其实非常大。从算法层面上讲,我们把这叫做“正例”和“负例”。我想分享一下:为什么“正例”和“负例”发展差别这么大?

    什么是“Stay hungry, Stay young”?“Stay hungry”,大家都知道,就是好奇心、求知若渴、上进心。但为什么要说“Stay young”?

    我觉得年轻人有很多优点:做事不设条条框框,没有太多自我要维护,经常能打破常规,非常努力、不妥协、不圆滑世故。

    10年过去了,有的年轻人,依然保持着这些很好的特质。我觉得这就算“Stay young”。

    “Stay young”的人基本没有到天花板,一直保持着自我的成长。相反,很多人毕业后提高了技能,但到一个天花板后,就不再成长了。

    在这里插入图片描述
    我先分享我的个人经历
    我是如何在毕业第2年就成了
    管理四五十人团队的主管?

    2005年,我从南开大学毕业,加入了一家公司叫酷讯。我是最早期加入的员工之一,一开始只是一个普通工程师,但在工作第 2 年,我在公司管了四五十个人的团队,负责所有后端技术,同时也负责很多产品相关的工作。

    有人问我:为什么你在第一份工作就成长很快?是不是你在那个公司表现特别突出?

    其实不是。当时公司招聘标准也很高。跟我同期入职的,我记得就有两个清华计算机系的博士。

    那我是不是技术最好?是不是最有经验?我发现都不是。后来我想了想,当时自己有哪些特质。

    1、我工作时,不分哪些是我该做的、哪些不是我该做的。我做完自己的工作后,对于大部分同事的问题,只要我能帮助解决,我都去做。当时,Code Base中大部分代码我都看过了。新人入职时,只要我有时间,我都给他讲解一遍。通过讲解,我自己也能得到成长。

    还有一个特点,工作前两年,我基本上每天都是十二点一点回家,回家以后也编程到挺晚。确实是因为有兴趣,而不是公司有要求。所以我很快从负责一个抽取爬虫的模块,到负责整个后端系统,开始带一个小组,后来带一个小部门,再后来带一个大部门。

    2、我做事从不设边界。当时我负责技术,但遇到产品上有问题,也会积极地参与讨论、想产品的方案。很多人说这个不是我该做的事情。但我想说:你的责任心,你希望把事情做好的动力,会驱动你做更多事情,让你得到很大的锻炼。

    我当时是工程师,但参与产品的经历,对我后来转型做产品有很大帮助。我参与商业的部分,对我现在的工作也有很大帮助。记得在07年底,我跟公司的销售总监一起去见客户。这段经历让我知道:怎样的销售才是好的销售。当我组建头条招人时,这些可供参考的案例,让我在这个领域不会一无所知。

    以上就是我刚毕业时的特点。

    10年观察
    我遇到的优秀的年轻人都有这5大特质!

    后来,我陆续加入到各种创业团队。在这个过程中,我跟很多毕业生共处过,现在还和他们很多人保持联系。跟大家分享一下,我看到的一些好和不好的情况。总结一下,这些优秀年轻人有哪些特质呢?

    第一,有好奇心,能够主动学习新事物、新知识和新技能。今天不太谦虚,我把自己当做正例,然后再说一个负例。我有个前同事,理论基础挺好,但每次都是把自己的工作做完就下班了。他在这家公司呆了一年多,但对网上的新技术、新工具都不去了解。所以他非常依赖别人。当他想要实现一个功能,他就需要有人帮他做后半部分,因为他自己只能做前半部分——如果是有好奇心的人,前端、后端、算法都去掌握、至少有所了解的话,那么很多调试分析,自己一个人就可以做。

    第二,对不确定性保持乐观。比方说头条最开始时,我跟大家讲:我们要做1亿的日启动次数。(当然,现在不止1亿了,我们现在的日启动次数已经差不多5亿。)很多人觉得,你这家小公司怎么可能做得到呢?大公司才能做得好。所以他就不敢努力去尝试。只有乐观的人会相信,会愿意去尝试。其实我加入酷讯时也是这样。那家公司当时想做下一代搜索引擎(最后也没有做成,只做了旅游的垂直搜索)。我不知道其他人怎么想的,我自己觉得很兴奋。我确实没有把握,也不知道怎么做,但当时就去学,就去看所有这些相关东西。我觉得最后也许不一定做成,或者没有完全做到,但这个过程也会很有帮助——只要你对事情的不确定性保持乐观,你会更愿意去尝试。

    第三,不甘于平庸。我们在座各位,在同学中已经非常优秀了。但我想说,其实走向社会后,应该再设定更高的标准。我见到很多大学期间的同学、一起共事的同事中,有很多非常不错的人才,技术、成绩都比我好。但10年过去,很多人没有达到我的预期:我觉得他应该能做得很好,但他却没有做到。

    很多人毕业后,目标设定就不高了。我回顾了一下,发现有同事加入银行IT部门:有的是毕业后就加入,有的是工作一段时间后加入。为什么我把这个跟“不甘于平庸”挂在一起呢?因为他们很多人加入,是为了快点解决北京户口,或者当时有些机构有分房补助,可以购买经济适用房。

    后来我就在想一个问题,如果自己不甘于平庸,希望做得非常好的话,其实不会为这些东西担心:是否有北京户口,是否能买上一套经济适用房?

    如果一个人一毕业,就把目标定在这儿:在北京市五环内买一个小两居、小三居,把精力都花在这上面,那么工作就会受到很大影响。他的行为会发生变化,不愿意冒风险。

    比如我见到以前的朋友,他业余做一些兼职,获取一些收入。那些兼职其实没有什么技术含量,而且对本职工作有影响,既影响他的职业发展,也影响他的精神状态。我问他为什么,他说,哎,快点出钱付个首付。我觉得他看起来是赚了,其实是亏的。

    不甘于平庸很重要。我说不平庸,并不是专门指薪酬要很高或者技术很好,而是你对自己的标准一定要高。也许你前两年变化得慢,但10年后再看,肯定会非常不一样。

    第四,不傲娇,要能延迟满足感。我在这里举个反例:两个我印象比较深刻的年轻人,素质、技术都蛮不错,也都挺有特点。我当时是他们的主管,发现他们在工作中deliver的情况始终不好。他们觉得其他同事比他们做得差,其实不是:他们确实可以算作在当时招的同事里面TOP 20%,但误以为自己是TOP 1%。所以很多基础一点的工作,比如要做一个调试工具,他就不愿意做,或者需要跟同事配合的工作,他就配合得不好。

    本来都是资质非常好的人才,人非常聪明、动手能力也强,但没有控制好自己的傲娇情绪。我觉得这和“不甘于平庸”不矛盾。“不甘于平庸”是你目标要设得很高,“不傲娇”是你对现状要踏实。

    这2000个样本当中,我见到很多我原来觉得很好的,其实没有我想象中的发展好,我原来觉得不好的,其实超出我的预期。这里我也举个例子:

    当时我们有个做产品的同事,也是应届生招进来,当时大家都觉得他不算特别聪明,就让他做一些比较辅助的工作,统计一下数据啊做一下用户反弹啊之类。但现在,他已经是一个十亿美金公司的副总裁。

    后来我想想,他的特点就是肯去做,负责任,从来不推诿,只要他有机会承担的事情,他总尽可能地做好。每次也不算做得特别好,但我们总是给他反馈。他去了那家公司后,从一个用户量不到10万的边缘频道负责起来,把这个频道越做越好。由于这是一个边缘频道,没有配备完整的团队,所以他一个人承担了很多职责,也得到了很多锻炼。

    第五,对重要的事情有判断力。选什么专业、选什么公司、选什么职业、选什么发展路径,自己要有判断力,不要被短期选择而左右。上面一些例子,也都涵盖了这一点。比如当时很多人愿意去外企,不愿意去新兴的公司。06、07年,很多师弟、师妹问我职业选择,我都建议他们去百度,不要去IBM、微软。但实际上,很多人都是出于短期考虑:外企可能名气大、薪酬高一点。

    虽然这个道理,大家都听过很多遍。刚毕业时薪酬差三五千块,真的可以忽略不计。短期薪酬差别并不重要。但实际上,能摆脱这个、能有判断力的人,也不是特别多。

    这些就是我想跟大家分享的。谢谢!

    展开全文
  • 轻量型目标检测算法次看

    千次阅读 多人点赞 2021-12-27 14:19:28
    不知道大家没有发现,近两年目标检测算法发展非常的快,恍惚看,单阶段算法几乎统一了目标检测,各种高性能的目标检测算法层出不穷,印象中是在YOLOv4出来后,基于YOLO的改进变得一发不可收拾,各种改进版本精度...

    序言

    不知道大家有没有发现,近两年目标检测算法发展非常的快,恍惚一看,单阶段算法几乎统一了目标检测,各种高性能的目标检测算法层出不穷,印象中是在YOLOv4出来后,基于YOLO的改进变得一发不可收拾,各种改进版本精度越来越高、速度越来越快,同时模型体积也越来越小,越来越多的轻量型模型涌现,更适合移动端部署。这篇文章花点时间来盘点一下一些在github上比较火的轻量型目标检测算法,收藏也方便以后工程中实践。

    一、yolov5

    github:https://github.com/ultralytics/yolov5

    说到目前最火的目标检测算法,yolov5绝对当仁不让,如果说yolov4是导火线,那yolov5就是引爆目标检测界的那个火石,记得当初刚出来的时候,还被大家扣上一个“名不正,言不顺”的帽子,因为没有论文产出,甚者很多工作和yolov4高度重合,很多业内人事都不愿意承认它作为yolo系列的“正统”,但是随着时间的演进,yolov5逐渐为自己证明,其高精度、低耗时、易训练、易部署、好上手等特点,让yolov5的热度一举超过yolov4,成为当前目标检测界的主流,并且作者也一直在维护,新版本精度越来越高、速度越来越快、模型越来越小,截至目前为止,yolov5已经迭代到了第六个版本。

    关于yolov5的原理我就不多介绍了,hub中提供了五个基线版本,x、l、m、s、n,前四个模型是一直都有的,虽然说它们模型体积相对于其他算法而言已经很小了,但是对于移动端而言还是太大了一些,所以作者推出了了n版本,专门为了移动端设计,参数量仅为1.9M,map精度也达到了28.4,各个模型精度指标如下所示:
    在这里插入图片描述

    二、yolox

    github:https://github.com/Megvii-BaseDetection/YOLOX

    yolox是作为今年的yolo系列的后起之秀,一出来各种夸张的标题就把我吓到了(不得不说有些公众号的标题党太恶心了),还好自身实力过硬,也收割了一波粉丝,最关键的是把部署的代码都帮你写好了,可谓业界良心,这也为了后面的目标检测算法竖立了标杆。

    yolox的原理网上也很多,篇幅原因我就不详细讲解了,来看下yolox的精度指标,与yolov5对比,似乎每个版本的精度都有很大提升,实际项目情况我也没有对比过,不过在发布后的大半年时间里业内认可度非常不错,两者都是非常优秀的算法,只能说萝卜青菜,各有所爱了,小孩子才做选择,我全都要!!
    在这里插入图片描述
    因为本文主要介绍的是轻量型模型,所以重点关注轻量的模型Nano和tiny版本,nano版本在0.91M参数量的情况下,416尺度推理精度达到了25.8,还是非常不错的;再看tiny版本,tiny版本一直是yolo系列中的一个特色,所以yolox也继续发扬了这一项工作,在参数量减少的情况下,大幅提高了tiny版本的精度,达到了32.8,要知道18年yolov3刚出来的时候,最高的精度也才33,现在tiny版本的精度已经赶上v3正版了,不得不感叹这两年的目标检测技术发展的迅猛,隐约有种被卷死的不详预感,所以各种同学一定要坚持学习啊,千万不要懈怠了。在这里插入图片描述

    三、nanodet

    github:https://github.com/RangiLyu/nanodet

    YOLO之外的另一选择,手机端97FPS的Anchor-Free目标检测模型NanoDet现已开源

    超简单辅助模块加速训练收敛,精度大幅提升!移动端实时的NanoDet升级版NanoDet-Plus来了!

    nanodet去年刚出来的时候非常的火,基于FCOS改进的anchor-free算法,在速度和精度上都有很好的权衡,并且部署比较友好,当时我也试过这个模型,但是训练出来的效果并不是特别好,所以就一直没怎么用,就当我快忘了它的时候,NanoDet-Plus版本出来了!!

    超简单辅助模块加速训练收敛,精度大幅提升!与上一代的NanoDet相比,在仅增加1毫秒多的延时的情况下,精度提升了30%。与YOLOv5-n, YOLOX-Nano等其他轻量级模型相比,在精度和速度上也都高了不少!同时NanoDet-Plus改进了代码和架构,提出了一种非常简单的训练辅助模块,使模型变得更易训练!同时新版本也更易部署,同时提供ncnn、OpenVINO、MNN以及安卓APP的Demo!!

    nanodet-plus精度指标看下图,以1.17M的参数量,在416大小的推理下,map达到了30.4,1.5x的版本甚至达到了34.1,且参数量仅为2.44M:
    在这里插入图片描述

    四、PicoDet

    github:https://github.com/PaddlePaddle/PaddleDetection

    ARM-CPU150FPS | PicoDet助力移动端达到超实时检测(强烈建议工程人员学习)

    算法是好算法,但是百度的宣传标题一如既往的夸张,以至于刚出来就被很多人吐槽,不过无伤大雅,算法本身实力够硬,宣传夸张点也不影响我们学习。

    作者研究了anchor-free 策略在轻量级目标检测模型中的适用性,增强了Backbone结构,设计了Neck的轻量化结构,提高了网络的特征提取能力。改进了标签分配策略和损失函数,使训练更加稳定和高效。

    通过这些优化,创建了一个新的实时物体检测系列架构,名为PP-PicoDet,它在移动设备上实现了优越的物体检测性能。与其他流行的模型相比,该模型架构在准确性和延迟之间实现了更好的权衡。PicoDet-S只有0.99M参数,mAP值为30.6%,与YOLOX-Nano相比,mAP提高了4.8%,同时移动CPU延迟降低了55%,与NanoDet相比,mAP提高了7.1%。当输入尺寸为320时,在移动ARM CPU上达到123 FPS(使用Paddle Lite时达到150 FPS)。PicoDet-L仅3.3M参数的mAP值为40.9%,mAP值提高了3.7%,比YOLOv5s快44%。如下图所示,本文模型远远优于轻量级目标检测的最新结果。
    在这里插入图片描述
    这项工作是百度开源的项目,pp-picoDet也加入了PaddleDetetion的大家庭,如果想用的话需要先熟悉一下paddlepaddle框架,不过说句题外话,paddlepaddle最近的开源工作都做的非常多,基本上覆盖了各个领域,并且效果也停不错的,奈何框架生态一直不太行。

    五、yolo-fastest

    github:https://github.com/dog-qiuqiu/Yolo-Fastest

    github:https://github.com/dog-qiuqiu/Yolo-FastestV2

    Yolo-Fastest:超超超快的开源ARM实时目标检测算法

    Yolo-FastestV2:更快,更轻,移动端可达300FPS,参数量仅250k

    yolo-fastest应该是第一个把yolo系列参数量逼到1M以内的目标检测算法,由记得刚出来的时候非常的震惊,模型大小仅为1.3M,让我第一次直观的感受到原来目标检测算法也可以设计得这么小。感兴趣的可以看上面两篇文章介绍,目前已经更新到V2版本,精度指标如下:

    在这里插入图片描述
    在这里插入图片描述

    六、yolov5-lite

    github:https://github.com/ppogg/YOLOv5-Lite

    YOLOv5-Lite:更轻更快易于部署的YOLOv5

    一个非常优秀的轻量型yolov5改进版本,整体算法与yolov5基本一致,通过修改了yolov5的backbone达到了模型压缩的目的。

    根据不同的backbone分别提供了s、c、g版本,s版本的backbone为shufflenet,c版本的backbone为LCNet,g版本的backbone为Repvgg,与各个轻量型算法的精度对比如下:
    在这里插入图片描述
    这个项目用起来比较友好,开箱方式与yolov5一样,上手起来比较简单,精度也不错,非常值得学习。

    七、MutualGuide

    github:https://github.com/ZHANGHeng19931123/MutualGuide

    【BMVC2021】新一代紧凑型目标检测器MutualGuide

    这个项目是偶然间看到了,其实也不算是轻量型吧,因为提供的各个模型参数量其实还是挺大的,但是因为使用的backbone都是偏轻量的,所以还是决定把它算进来。

    项目特点:

    • 相较于众多已经存在的general目标检测框架,MutualGuide专门针对嵌入式设备设计,在检测速度上有很大优势。
    • 支持RetinaNet、FCOS、YOLOF等多种检测头,ResNet、VGG、RepVGG、ShuffleNet等多种特征提取网络,灵活客制化你自己的模型结构。
    • 融入Mixup、EMA、Cosine lr decay、Context Enhancement Module、GFocal
      loss、Balanced L1 loss、GIOU loss等提升检测性能的工程技巧。
    • 支持custom数据集训练与测试、支持混合精度训练和TensorRT推理加速。
    • 项目结构清晰,适合初学者入门并熟悉目标检测的pipeline。
      在这里插入图片描述

    八、YOLOv6

    github:https://github.com/meituan/YOLOv6
    YOLOv6:又快又准的目标检测框架开源啦

    YOLOv6 是美团视觉智能部研发的一款目标检测框架,致力于工业应用。本框架同时专注于检测的精度和推理效率,在工业界常用的尺寸模型中:YOLOv6-nano 在 COCO 上精度可达 35.0% AP,在 T4 上推理速度可达 1242 FPS;YOLOv6-s 在 COCO 上精度可达 43.1% AP,在 T4 上推理速度可达 520 FPS。在部署方面,YOLOv6 支持 GPU(TensorRT)、CPU(OPENVINO)、ARM(MNN、TNN、NCNN)等不同平台的部署,极大地简化工程部署时的适配工作。

    目前只放出了三个小模型,大模型不知道是性能达不到前面几个的标准还是啥,迟迟没有放出来,不过通过对放出来的小模型精度速度等性能对比,效果还是很不错的,不妨在项目中使用试试。

    在这里插入图片描述
    在这里插入图片描述

    九、FastestDet

    github:https://github.com/dog-qiuqiu/FastestDet

    FastestDet: 比yolo-fastest更快!更强!更简单!全新设计的超实时Anchor-free目标检测算法

    这可能是目前最小的目标检测网络,作者还是上面的fastest-yolo原作,参数量极致的压缩,虽然精度差了点,但是考虑到能把模型参数量压缩得这么小,还是很值的学习一下的,对于一些精度要求不是很高的场景,还是值的去试一试。

    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(不要在拿int8的模型和我fp32的模型比体积了,不公平),但是精度自然而然也比不过。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。
    在这里插入图片描述

    未完待续

    展开全文
  • 12.2 做一个读书的读书 做一个自豪的读书  写出精彩的人生  践行终生学习  12.2 做一个读书的读书 “万般皆下品,惟有读书高”,这一句争议的话中包含了诸多读书的高傲和自我欣赏。读书,是人们...
  • 桔妹导读:为了将目标语音从含多种干扰(如车噪、导航音、车内FM等)的复杂声学环境中分离出来同时尽量减小对原始语音的损伤,提高机交互、客服听音等的效率,滴滴结合了在前端信号处理的多年研发...
  • 量化目标具体化目标能让自己更清晰的目标感
  • 目标检测

    万次阅读 2021-12-14 10:22:48
    Chen等提出了一个针对小目标的数据集,对小目标进行定义:同一类别中,所有目标实例的相对面积,即边界框面积与图像面积之比的中位数在0.08%~0.58%之间。如在640×480\times480×480像素分辨率图像中,16×1616\...
  • 如何做一个有趣的

    万次阅读 2018-06-21 13:07:56
    1、不善表达是能力不行(储备太少),...3、【作者对极简主义的理解】不对这泛泛的世界投注太多的感情、太多的时间、太多的金钱,把注意力集中在自己兴趣的内容上;目标明确,专注不暧昧;该工作工作,该玩玩,...
  • 在自我介绍的文章中,说到了自己本科四年,通过自己的探索,挣到了人生的第一个 30w,之后挺多小伙伴加了我微信,好奇问我是如何挣到这 30 万的(因为我不是通过打比赛获得的),并且还能本科还拿到了腾讯提前批 ...
  • 接下来我们进入Python图像识别第二阶段,该部分主要以目标检测、图像识别以及深度学习相关图像分类为主,将会分享近50篇文章,感谢您如至往的支持。希望文章对您有所帮助,如果不足之处,还请海涵~
  • IDEA-Tomcat-源服务器未能找到目标资源的表示或者是不愿公开一个已经存在的资源表示1起因2经过3说白了 1起因 在学习springMVC的过程中,写了一个demo需要部署到本地Tomcat上来运行(直接使用IDEA配置本地tomcat,...
  • 目标跟踪算法综述

    万次阅读 2021-11-30 13:49:15
    前言: 目标跟踪是计算机视觉领域研究的一个热点问题,其利用视频或图像序列的上下文信息,对目标的外观和运动信息进行建模,从而对目标运动状态进行预测并标定目标的位置。目标跟踪算法从构建模型的角度可以分为生成...
  • 由于输入数据可能具有很高的维数,并且需要对输入数据执行数百万次计算,因此训练和推理一个深度学习模型对空间和计算需求都很高。高准确性和高资源消耗是深度学习的特点。 ​ 为了满足深度学习...
  • 目标检测(Object Detection)

    万次阅读 多人点赞 2020-11-20 19:38:58
    文章目录目标检测(Object Detection)、基本概念1. 什么是目标检测2. 目标检测的核心问题3. 目标检测算法分类1)Tow Stage2)One Stage4. 目标检测应用1)人脸检测2)行人检测3)车辆检测4)遥感检测二、目标检测...
  • 综述:目标检测二十年(2001-2021)

    千次阅读 多人点赞 2021-06-26 00:59:36
    点击上方“计算机视觉工坊”,选择“星标”干货第时间送达编辑丨极市平台引言目标检测领域发展至今已二十余载,从早期的传统方法到如今的深度学习方法,精度越来越高的同时速度也越来越快,这得益...
  • 一个小白程序员的目标

    万次阅读 多人点赞 2017-12-21 22:00:38
    一个小白程序员的目标计划
  • 华为工作法--读后

    万次阅读 2018-09-11 18:56:58
    成功是偶然的,成功也是必然的,如果没有行之有效的管理体系和工作方法,相信任何公司都难以维持30年,更别提做到世界第了。看完本书后,我对华为了更多的了解。同时也在思考,哪些我们可以拿来借鉴。论工作的...
  • 3d目标检测

    千次阅读 多人点赞 2022-04-15 18:35:07
    尽管在工业领域可以采用多传感器融合的方式,但基于相机传感器的三维目标检测依然成本低、适用范围广等优点,仍然是一个重要的研究领域。 根据使用场景分类[2]: 室内三维目标检测算法 室内场景相比于室外场景具有...
  • 从0开始实现目标检测——原理篇

    千次阅读 2022-02-15 19:56:07
    收到一个任务,对交通场景中的图片进行目标检测,要能识别出指定的6个类别物品在图中的位置。比如要识别下图中的小汽车、行人、自行车、卡车等。 比如下图: 经过识别后,如图所示: 经过目标检测模型预测的...
  • 给自己设定一个目标
  • 目标分类与目标检测

    万次阅读 2019-05-10 11:00:29
    这样的好处是你可以创建一个基于深度学习的完整的端到端的目标检测模型。 缺点就是这种方法要求对深度学习目标检测工作原理一定的了解,下一节将对此加以讨论。 ▌深度学习目标检测的组成元素 ...
  • yolov5小目标检测-提高检测小目标的检测精度

    万次阅读 多人点赞 2022-04-15 21:55:02
    本次分享的就是最近刚刚发布的基于企业开发需要而产生的yolov5(因为相关论文还没有发表,所以本文不过分讲解其中原理,可...以下会详细介绍yolov5的下载安装和使用技巧以及如何使用自己的数据集进行小目标的检测工作。
  • 目标——做一款自己的游戏

    千次阅读 多人点赞 2018-12-02 16:56:12
    最近小游戏火了,可能很多都会萌生做一款自己的游戏想法,但是又无从下手。  其实在大一迷茫的时候不如做一款自己的小游戏,当你完成的时候,款游戏带来的成就是很高的。其次, 对编程思维方式的了解,...
  • 深度学习中,为了提高模型的精度和泛化能力,往往着眼于两方面:(1)使用更多的数据(2)使用更深更复杂的网络。 ** 、什么是负样本 ** 负样本是指不包含任务所要识别的目标的图像,也叫负图像(Negtive ...
  • 我有一个大学校友,他是去年 8 月份才开始正式学习 Java 的,之前在一家私企工作了 5 年,工资一个月只有不到 6000 块,日子过得很苦逼,毕竟郑州的房贷压力也不小,公司就那么大,除非领导离职,否则根本看不到晋升...
  • 关注公众号前端开发博客,领27本电子书回复加群,自助秒进前端群有个...但是好在面过不少,在筛选候选上,也算是自己的点点经验。在我看来,面试的唯一目的就是招,一定是因为团队缺需要补充,你才会放...
  • 点击上方“3D视觉工坊”,选择“星标”干货第时间送达本文在YOLOv5的基础上加入了一些新的技术,比如ViT、CBAM和一些Tricks(数据增广、多尺度测试等),最终命名为TPH-YO...
  • 本篇博文我们要手写代码做一款人体感应灯。
  • 这样的好处是你可以创建一个基于深度学习的完整的端到端的目标检测模型。   缺点就是这种方法要求对深度学习目标检测工作原理一定的了解,下一节将对此加以讨论。   ▌ 深度学习目标检测的组成元素   图 4...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 305,919
精华内容 122,367
热门标签
关键字:

做一个有目标感的人

友情链接: CDEBUG.zip