本人花时间训了300个epoch的mobileNet，最后在VOC2007数据集上测试，要得到测试结果的只需要在本地配置好tensorflow运行环境即可。测试结果压缩包里有，当然你也可以用我的模型测试，毕竟是个小网络，精度不能要求太高，作移动端部署够用即可。

YOLOv4-pytorch（专注的YOLOv4和Mobilenetv3 YOLOv4） 这是YOLOv4架构的PyTorch重新实现，它基于正式的实现与PASCAL VOC，COCO和客户数据集 结果（更新中） 姓名 训练数据集 测试数据集 测试大小 地图 推理时间（毫秒） 参数（M） 模型链接 mobilenetv2-YOLOV4 VOC Trainval（07 + 12） VOC测试（07） 416 0.851 11.29 46.34 更新！！！ Mobilene

Pytorch_Lightweight_Network 在Pytorch中实现的轻量级网络，例如MobileNet，ShuffleNet和ThunderNet 介绍 打算在PyTorch中复制MobileNet，ShuffleNet和ThunderNet论文的原始结果。 先决条件 Python>=3.6 PyTorch>=1.0 torchsummary 我没有GPU资源来完成我的培训和测试代码，如果您可以为我提供GPU设备，我非常感谢，请至

济州网 移动设备上的实时视频分割 关键词 视频分段，移动，Tensorflow Lite 讲解 基准测试：GPU上的Tensorflow Lite 媒体上的帖子 详细结果 介绍 在移动设备上实时运行视觉任务，例如对象检测，分段。 我们的目标是在Google Pixel 2上以至少24 fps的速度实时实现视频分割。我们使用专门针对移动/嵌入式设备的高效深度学习网络，并利用连续帧之间的数据冗余来减少难以承受的计算成本。 此外，可以使用tf-lite提供的8位量化来优化网络。 示例：Reai-T