Yoloface-500k-v2：更快、更准确

基于双金字塔结构改善不同尺度特征图融合，添加cspnet，进一步提升性能，模型开发优先级：纳米“最快”精简版。

*嗯……。这个懒得训练，MAP就凑合这样吧。

某些图形处理器(如NVIDIA Pascal)不能很好地支持暗网组卷积！在GTX1080ti，MobileNetV2-YOLOv3-SPP推理时间为100ms，而RTX2080推理时间为5ms！

Ncnn基准是正向推理时间+后处理时间(NMS...)。卷积特征图的。

Ncnn基准是正向推理时间+后处理时间(NMS...)。卷积特征图的。

推荐使用该模型进行一些简单的单目标检测，适合于简单的应用场景。

Ncnn基准是正向推理时间+后处理时间(NMS...)。卷积特征图的。

您必须使用预先训练好的模型来训练您自己的数据集。您可以在本项目中根据COCO训练的权重建立预训练模型，对网络参数进行初始化。

您必须编译Caffe的CPU版本！Cd darnet2caffe/python darnet2caffe.py MobileNetV2-YOLOv3-Nano-voc.cfg MobileNetV2-YOLOv3-Nano-voc.Weights MobileNetV2-YOLOv3-Nano-voc.Prototxt MobileNetV2-YOLOv3-Nano-voc.caffmodel cp MobileNetV2-YOLOv3-Nano-voco。

#layer{#Bottom："；layer71-route"；#top："；layer72-upsample"；#name："；layer72-upsample"；#type："；upsample_param{#scale：2#}#}layer{Bottom："；layer71-route"；top："；layer72-upsample"；name："；类型："；interp"；interp_param{高度：20#上采样h大小宽度：20#上采样w大小}}