🛠**Lite.Ai.ToolKit**：一个轻量级的 C++ 工具包，包含 100+ 个很棒的 AI 模型，例如对象检测、人脸检测、人脸识别、分割、遮罩等。请参阅 Model Zoo 和 ONNX Hub、MNN Hub、TNN Hub、NCNN Hub。
3700 Stars 711 Forks 0 Issues 6 贡献者 GPL-3.0 License C 语言
代码: https://github.com/DefTruth/lite.ai.toolkit
更多AI开源软件：AI开源 - 小众AI
主要功能
- **简单且用户友好。**简单一致的语法，如 **lite：：cv：：Type：：Class**，参见示例。
- **最小依赖项。**默认情况下只需要 **OpenCV** 和 **ONNXRuntime**，详见 build。
- **支持多种型号。** **300+**C++ 实现和 **500+** 权重 👉 **Supported-Matrix**。
快速开始 🌟🌟
示例 0：使用 YOLOv5 进行对象检测。从 Model-Zoo 下载模型^2^.
#include "lite/lite.h"int main(int argc, char *argv[]) {std::string onnx_path = "yolov5s.onnx";std::string test_img_path = "test_yolov5.jpg";std::string save_img_path = "test_results.jpg";auto *yolov5 = new lite::cv::detection::YoloV5(onnx_path); std::vector<lite::types::Boxf> detected_boxes;cv::Mat img_bgr = cv::imread(test_img_path);yolov5->detect(img_bgr, detected_boxes);lite::utils::draw_boxes_inplace(img_bgr, detected_boxes);cv::imwrite(save_img_path, img_bgr); delete yolov5;return 0;
}
您可以从 tag/v0.2.0 下载预构建的 lite.ai.tooklit 库和测试资源。
export LITE_AI_TAG_URL=https://github.com/DefTruth/lite.ai.toolkit/releases/download/v0.2.0
wget ${LITE_AI_TAG_URL}/lite-ort1.17.1+ocv4.9.0+ffmpeg4.2.2-linux-x86_64.tgz
wget ${LITE_AI_TAG_URL}/yolov5s.onnx && wget ${LITE_AI_TAG_URL}/test_yolov5.jpg
🎉🎉TensorRT ：通过 TensorRT 使用 NVIDIA GPU 提高推理性能。
运行以构建支持 TensorRT 的 lite.ai.toolkit，然后使用下面的代码测试 yolov5 。注意： lite.ai.toolkit 需要 TensorRT 10.x（或更高版本）和 CUDA 12.x（或更高版本）。有关更多详细信息，请查看 build.sh 、 tensorrt-linux-x86_64-install.zh.md 、 test_lite_yolov5.cpp 和 NVIDIA/TensorRT 。bash ./build.sh tensorrt
// trtexec --onnx=yolov5s.onnx --saveEngine=yolov5s.engine
auto *yolov5 = new lite::trt::cv::detection::YOLOV5(engine_path);
快速设置 👀
要快速设置，您可以按照下面列出的方法进行操作。👇👀lite.ai.toolkitCMakeLists.txt
set(lite.ai.toolkit_DIR YOUR-PATH-TO-LITE-INSTALL)
find_package(lite.ai.toolkit REQUIRED PATHS ${lite.ai.toolkit_DIR})
add_executable(lite_yolov5 test_lite_yolov5.cpp)
target_link_libraries(lite_yolov5 ${lite.ai.toolkit_LIBS})
与 MNN 或 ONNXRuntime 👇👇 混合
lite.ai.toolkit 的目标不是在 MNN 和 ONNXRuntime 之上抽象。因此，您可以将 lite.ai.toolkit 与 MNN（） 或 ONNXRuntime（） 混合使用。lite.ai.toolkit 安装包包含完整的 MNN 和 ONNXRuntime。工作流可能如下所示：-DENABLE_MNN=ON, default OFF-DENABLE_ONNXRUNTIME=ON, default ON
#include "lite/lite.h"
// 0. use yolov5 from lite.ai.toolkit to detect objs.
auto *yolov5 = new lite::cv::detection::YoloV5(onnx_path);
// 1. use OnnxRuntime or MNN to implement your own classfier.
interpreter = std::shared_ptr<MNN::Interpreter>(MNN::Interpreter::createFromFile(mnn_path));
// or: session = new Ort::Session(ort_env, onnx_path, session_options);
classfier = interpreter->createSession(schedule_config);
// 2. then, classify the detected objs use your own classfier ...
MNN 和 ONNXRuntime 包含的标头可以在 mnn_config.h 和 ort_config.h 中找到。
- 🔑️ 查看详细的 Quick Start！单击此处！
下载资源
您可以从 tag/v0.2.0 下载预构建的 lite.ai.tooklit 库和测试资源。
export LITE_AI_TAG_URL=https://github.com/DefTruth/lite.ai.toolkit/releases/download/v0.2.0
wget ${LITE_AI_TAG_URL}/lite-ort1.17.1+ocv4.9.0+ffmpeg4.2.2-linux-x86_64.tgz
wget ${LITE_AI_TAG_URL}/yolov5s.onnx && wget ${LITE_AI_TAG_URL}/test_yolov5.jpg
tar -zxvf lite-ort1.17.1+ocv4.9.0+ffmpeg4.2.2-linux-x86_64.tgz
编写测试代码
编写 YOLOv5 示例代码并命名：test_lite_yolov5.cpp
#include "lite/lite.h"int main(int argc, char *argv[]) {std::string onnx_path = "yolov5s.onnx";std::string test_img_path = "test_yolov5.jpg";std::string save_img_path = "test_results.jpg";auto *yolov5 = new lite::cv::detection::YoloV5(onnx_path); std::vector<lite::types::Boxf> detected_boxes;cv::Mat img_bgr = cv::imread(test_img_path);yolov5->detect(img_bgr, detected_boxes);lite::utils::draw_boxes_inplace(img_bgr, detected_boxes);cv::imwrite(save_img_path, img_bgr); delete yolov5;return 0;
}
设置 CMakeLists.txt
cmake_minimum_required(VERSION 3.10)
project(lite_yolov5)
set(CMAKE_CXX_STANDARD 17)set(lite.ai.toolkit_DIR YOUR-PATH-TO-LITE-INSTALL)
find_package(lite.ai.toolkit REQUIRED PATHS ${lite.ai.toolkit_DIR})
if (lite.ai.toolkit_Found)message(STATUS "lite.ai.toolkit_INCLUDE_DIRS: ${lite.ai.toolkit_INCLUDE_DIRS}")message(STATUS " lite.ai.toolkit_LIBS: ${lite.ai.toolkit_LIBS}")message(STATUS " lite.ai.toolkit_LIBS_DIRS: ${lite.ai.toolkit_LIBS_DIRS}")
endif()
add_executable(lite_yolov5 test_lite_yolov5.cpp)
target_link_libraries(lite_yolov5 ${lite.ai.toolkit_LIBS})
构建示例
mkdir build && cd build && cmake .. && make -j1
然后，将 中列出的 lib 路径导出到 .LD_LIBRARY_PATHlite.ai.toolkit_LIBS_DIRS
export LD_LIBRARY_PATH=YOUR-PATH-TO-LITE-INSTALL/lib:$LD_LIBRARY_PATH
export LD_LIBRARY_PATH=YOUR-PATH-TO-LITE-INSTALL/third_party/opencv/lib:$LD_LIBRARY_PATH
export LD_LIBRARY_PATH=YOUR-PATH-TO-LITE-INSTALL/third_party/onnxruntime/lib:$LD_LIBRARY_PATH
export LD_LIBRARY_PATH=YOUR-PATH-TO-LITE-INSTALL/third_party/MNN/lib:$LD_LIBRARY_PATH # if -DENABLE_MNN=ON
运行 binary：
cp ../yolov5s.onnx ../test_yolov.jpg .
./lite_yolov5
输出日志：
LITEORT_DEBUG LogId: ../examples/hub/onnx/cv/yolov5s.onnx
=============== Input-Dims ==============
Name: images
Dims: 1
Dims: 3
Dims: 640
Dims: 640
=============== Output-Dims ==============
Output: 0 Name: pred Dim: 0 :1
Output: 0 Name: pred Dim: 1 :25200
Output: 0 Name: pred Dim: 2 :85
Output: 1 Name: output2 Dim: 0 :1
......
Output: 3 Name: output4 Dim: 1 :3
Output: 3 Name: output4 Dim: 2 :20
Output: 3 Name: output4 Dim: 3 :20
Output: 3 Name: output4 Dim: 4 :85
========================================
detected num_anchors: 25200
generate_bboxes num: 48
支持的模型矩阵
- / = 现在不支持。
- ✅ = 已知工作和官方支持。
- ✔️ = 已知工作，但现在支持非官方。
- ❔ = 在我的计划中，但不会很快出现，也许几个月后。
NVIDIA GPU 推理：TensorRT
| 类 | 类 | 类 | 类 | 类 | 系统 | 发动机 |
|---|---|---|---|---|---|---|
| ✅YOLOv5 | ✅YOLOv6 | ✅YOLOv8 | ✅YOLOv8Face | ✅YOLOv5人脸 | Linux的 | TensorRT |
| ✅YOLOX | ✅YOLOv5BlazeFace | ✅稳定扩散 | / | / | Linux的 | TensorRT |
CPU 推理：ONNXRuntime、MNN、NCNN 和 TNN
| 类 | 大小 | 类型 | 演示 | ONNXRuntime | MNN | NCNN | TNN | Linux的 | macOS 版 | 窗户 | 人造人 |
|---|---|---|---|---|---|---|---|---|---|---|---|
| YoloV5 | 28 分钟 | *检波* | 演示 | ✅ | ✅ | ✅ | ✅ | ✅ | ✔️ | ✔️ | ❔ |
| YoloV3 | 236 分钟 | *检波* | 演示 | ✅ | / | / | / | ✅ | ✔️ | ✔️ | / |
| TinyYoloV3 | 33 分钟 | *检波* | 演示 | ✅ | / | / | / | ✅ | ✔️ | ✔️ | / |
| YoloV4 | 176 分钟 | *检波* | 演示 | ✅ | / | / | / | ✅ | ✔️ | ✔️ | / |
| 固态硬盘 | 76 分钟 | *检波* | 演示 | ✅ | / | / | / | ✅ | ✔️ | ✔️ | / |
| SSDMobileNetV1 | 27 分钟 | *检波* | 演示 | ✅ | / | / | / | ✅ | ✔️ | ✔️ | / |
| YoloX | 3.5 分钟 | *检波* | 演示 | ✅ | ✅ | ✅ | ✅ | ✅ | ✔️ | ✔️ | ❔ |
| TinyYoloV4VOC | 22 分钟 | *检波* | 演示 | ✅ | / | / | / | ✅ | ✔️ | ✔️ | / |
| TinyYoloV4COCO | 22 分钟 | *检波* | 演示 | ✅ | / | / | / | ✅ | ✔️ | ✔️ | / |
| 约洛 | 39 分钟 | *检波* | 演示 | ✅ | ✅ | ✅ | ✅ | ✅ | ✔️ | ✔️ | ❔ |
| 缩放的 YoloV4 | 270 分钟 | *检波* | 演示 | ✅ | / | / | / | ✅ | ✔️ | ✔️ | / |
| EfficientDet | 15 分钟 | *检波* | 演示 | ✅ | / | / | / | ✅ | ✔️ | ✔️ | / |
| EfficientDetD7 | 220 分钟 | *检波* | 演示 | ✅ | / | / | / | ✅ | ✔️ | ✔️ | / |
| EfficientDetD8 | 322 米 | *检波* | 演示 | ✅ | / | / | / | ✅ | ✔️ | ✔️ | / |
| 约洛普 | 30 分钟 | *检波* | 演示 | ✅ | ✅ | ✅ | ✅ | ✅ | ✔️ | ✔️ | ❔ |
| 纳米手套 | 1.1 米 | *检波* | 演示 | ✅ | ✅ | ✅ | ✅ | ✅ | ✔️ | ✔️ | ❔ |
| NanoDetPlus 纳米防爆 | 4.5 分钟 | *检波* | 演示 | ✅ | ✅ | ✅ | ✅ | ✅ | ✔️ | ✔️ | ❔ |
| 纳米检测效率 | 12 分钟 | *检波* | 演示 | ✅ | ✅ | ✅ | ✅ | ✅ | ✔️ | ✔️ | ❔ |
| YoloX_V_0_1_1 | 3.5 分钟 | *检波* | 演示 | ✅ | ✅ | ✅ | ✅ | ✅ | ✔️ | ✔️ | ❔ |
| YoloV5_V_6_0 | 7.5 分钟 | *检波* | 演示 | ✅ | ✅ | ✅ | ✅ | ✅ | ✔️ | ✔️ | ❔ |
| GlintArcFace | 92 分钟 | *面 ID* | 演示 | ✅ | ✅ | ✅ | ✅ | ✅ | ✔️ | ✔️ | ❔ |
| GlintCosFace | 92 分钟 | *面 ID* | 演示 | ✅ | ✅ | ✅ | ✅ | ✅ | ✔️ | ✔️ | / |
| 格林特部分FC | 170 分钟 | *面 ID* | 演示 | ✅ | ✅ | ✅ | ✅ | ✅ | ✔️ | ✔️ | / |
| FaceNet | 89 分钟 | *面 ID* | 演示 | ✅ | ✅ | ✅ | ✅ | ✅ | ✔️ | ✔️ | / |
| FocalArcFace | 166 分钟 | *面 ID* | 演示 | ✅ | ✅ | ✅ | ✅ | ✅ | ✔️ | ✔️ | / |
| FocalAsiaArcFace | 166 分钟 | *面 ID* | 演示 | ✅ | ✅ | ✅ | ✅ | ✅ | ✔️ | ✔️ | / |
| 腾讯课程Face | 249 分钟 | *面 ID* | 演示 | ✅ | ✅ | ✅ | ✅ | ✅ | ✔️ | ✔️ | / |
| 腾讯CifpFace | 130 分钟 | *面 ID* | 演示 | ✅ | ✅ | ✅ | ✅ | ✅ | ✔️ | ✔️ | / |
| CenterLossFace | 280 分钟 | *面 ID* | 演示 | ✅ | ✅ | ✅ | ✅ | ✅ | ✔️ | ✔️ | / |
| SphereFace （球面） | 80 分钟 | *面 ID* | 演示 | ✅ | ✅ | ✅ | ✅ | ✅ | ✔️ | ✔️ | / |
| 姿势稳健面 | 92 分钟 | *面 ID* | 演示 | ✅ | / | / | / | ✅ | ✔️ | ✔️ | / |
| NaivePoseRobustFace （朴素姿势健壮脸） | 43 分钟 | *面 ID* | 演示 | ✅ | / | / | / | ✅ | ✔️ | ✔️ | / |
| 移动人脸网 | 3.8 中 | *面 ID* | 演示 | ✅ | ✅ | ✅ | ✅ | ✅ | ✔️ | ✔️ | ❔ |
| CavaGhostArcFace （卡瓦鬼弧人脸） | 15 分钟 | *面 ID* | 演示 | ✅ | ✅ | ✅ | ✅ | ✅ | ✔️ | ✔️ | ❔ |
| CavaCombinedFace | 250 分钟 | *面 ID* | 演示 | ✅ | ✅ | ✅ | ✅ | ✅ | ✔️ | ✔️ | / |
| MobileSEFocalFace | 4.5 分钟 | *面 ID* | 演示 | ✅ | ✅ | ✅ | ✅ | ✅ | ✔️ | ✔️ | ❔ |
| RobustVideoMatting | 14 分钟 | *消 光* | 演示 | ✅ | ✅ | / | ✅ | ✅ | ✔️ | ✔️ | ❔ |
| MGMatting 美爵 | 113 分钟 | *消 光* | 演示 | ✅ | ✅ | / | ✅ | ✅ | ✔️ | ✔️ | / |
| MODNet | 24 分钟 | *消 光* | 演示 | ✅ | ✅ | ✅ | ✅ | ✅ | ✔️ | ✔️ | / |
| MODNetDyn | 24 分钟 | *消 光* | 演示 | ✅ | / | / | / | ✅ | ✔️ | ✔️ | / |
| 背景榫椴 V2 | 20 分钟 | *消 光* | 演示 | ✅ | ✅ | / | ✅ | ✅ | ✔️ | ✔️ | / |
| 背景MattingV2Dyn | 20 分钟 | *消 光* | 演示 | ✅ | / | / | / | ✅ | ✔️ | ✔️ | / |
| UltraFace 超脸 | 1.1 米 | *脸部：:d etect* | 演示 | ✅ | ✅ | ✅ | ✅ | ✅ | ✔️ | ✔️ | ❔ |
| RetinaFace | 1.6 米 | *脸部：:d etect* | 演示 | ✅ | ✅ | ✅ | ✅ | ✅ | ✔️ | ✔️ | ❔ |
| FaceBoxes 面板 | 3.8 中 | *脸部：:d etect* | 演示 | ✅ | ✅ | ✅ | ✅ | ✅ | ✔️ | ✔️ | ❔ |
| 面盒V2 | 3.8 中 | *脸部：:d etect* | 演示 | ✅ | ✅ | ✅ | ✅ | ✅ | ✔️ | ✔️ | ❔ |
| SCRFD | 2.5 米 | *脸部：:d etect* | 演示 | ✅ | ✅ | ✅ | ✅ | ✅ | ✔️ | ✔️ | ❔ |
| YOLO5Face | 4.8 分钟 | *脸部：:d etect* | 演示 | ✅ | ✅ | ✅ | ✅ | ✅ | ✔️ | ✔️ | ❔ |
| PFLD 系列 | 1.0 米 | *face：：align* | 演示 | ✅ | ✅ | ✅ | ✅ | ✅ | ✔️ | ✔️ | ❔ |
| PFLD98 | 4.8 分钟 | *face：：align* | 演示 | ✅ | ✅ | ✅ | ✅ | ✅ | ✔️ | ✔️ | ❔ |
| 移动网络V268 | 9.4 分钟 | *face：：align* | 演示 | ✅ | ✅ | ✅ | ✅ | ✅ | ✔️ | ✔️ | ❔ |
| 移动网络V2SE68 | 11 分钟 | *face：：align* | 演示 | ✅ | ✅ | ✅ | ✅ | ✅ | ✔️ | ✔️ | ❔ |
| PFLD68 | 2.8 米 | *face：：align* | 演示 | ✅ | ✅ | ✅ | ✅ | ✅ | ✔️ | ✔️ | ❔ |
| 人脸地标1000 | 2.0 米 | *face：：align* | 演示 | ✅ | ✅ | ✅ | ✅ | ✅ | ✔️ | ✔️ | ❔ |
| PIPNet98 的 | 44.0 分钟 | *face：：align* | 演示 | ✅ | ✅ | ✅ | ✅ | ✅ | ✔️ | ✔️ | ❔ |
| PIPNet68 | 44.0 分钟 | *face：：align* | 演示 | ✅ | ✅ | ✅ | ✅ | ✅ | ✔️ | ✔️ | ❔ |
| 管道网29 | 44.0 分钟 | *face：：align* | 演示 | ✅ | ✅ | ✅ | ✅ | ✅ | ✔️ | ✔️ | ❔ |
| PIPNet19 | 44.0 分钟 | *face：：align* | 演示 | ✅ | ✅ | ✅ | ✅ | ✅ | ✔️ | ✔️ | ❔ |
| FSANet | 1.2 米 | *脸部：:p* | 演示 | ✅ | ✅ | / | ✅ | ✅ | ✔️ | ✔️ | ❔ |
| 年龄GoogleNet | 23 分钟 | *face：：attr* | 演示 | ✅ | ✅ | ✅ | ✅ | ✅ | ✔️ | ✔️ | ❔ |
| 性别GoogleNet | 23 分钟 | *face：：attr* | 演示 | ✅ | ✅ | ✅ | ✅ | ✅ | ✔️ | ✔️ | ❔ |
| EmotionFerPlus | 33 分钟 | *face：：attr* | 演示 | ✅ | ✅ | ✅ | ✅ | ✅ | ✔️ | ✔️ | ❔ |
| VGG16年龄 | 514 米 | *face：：attr* | 演示 | ✅ | ✅ | ✅ | ✅ | ✅ | ✔️ | ✔️ | / |
| VGG16性别 | 512 米 | *face：：attr* | 演示 | ✅ | ✅ | ✅ | ✅ | ✅ | ✔️ | ✔️ | / |
| SSRNet | 190K | *face：：attr* | 演示 | ✅ | ✅ | / | ✅ | ✅ | ✔️ | ✔️ | ❔ |
| EfficientEmotion7 | 15 分钟 | *face：：attr* | 演示 | ✅ | ✅ | ✅ | ✅ | ✅ | ✔️ | ✔️ | ❔ |
| EfficientEmotion8 | 15 分钟 | *face：：attr* | 演示 | ✅ | ✅ | ✅ | ✅ | ✅ | ✔️ | ✔️ | ❔ |
| 移动情感7 | 13 分钟 | *face：：attr* | 演示 | ✅ | ✅ | ✅ | ✅ | ✅ | ✔️ | ✔️ | ❔ |
| ReXNetEmotion7 | 30 分钟 | *face：：attr* | 演示 | ✅ | ✅ | / | ✅ | ✅ | ✔️ | ✔️ | / |
| 高效 NetLite4 | 49 分钟 | *分类* | 演示 | ✅ | ✅ | / | ✅ | ✅ | ✔️ | ✔️ | / |
| ShuffleNetV2 | 8.7 分钟 | *分类* | 演示 | ✅ | ✅ | ✅ | ✅ | ✅ | ✔️ | ✔️ | ❔ |
| 密集网121 | 30.7 分钟 | *分类* | 演示 | ✅ | ✅ | ✅ | ✅ | ✅ | ✔️ | ✔️ | / |
| 幽灵网 | 20 分钟 | *分类* | 演示 | ✅ | ✅ | ✅ | ✅ | ✅ | ✔️ | ✔️ | ❔ |
| HdrDNet | 13 分钟 | *分类* | 演示 | ✅ | ✅ | ✅ | ✅ | ✅ | ✔️ | ✔️ | ❔ |
| IBNNet | 97 分钟 | *分类* | 演示 | ✅ | ✅ | ✅ | ✅ | ✅ | ✔️ | ✔️ | / |
| 移动网络V2 | 13 分钟 | *分类* | 演示 | ✅ | ✅ | ✅ | ✅ | ✅ | ✔️ | ✔️ | ❔ |
| ResNet 公司 | 44 分钟 | *分类* | 演示 | ✅ | ✅ | ✅ | ✅ | ✅ | ✔️ | ✔️ | / |
| ResNeXt | 95 分钟 | *分类* | 演示 | ✅ | ✅ | ✅ | ✅ | ✅ | ✔️ | ✔️ | / |
| 深度实验室V3ResNet101 | 232 分钟 | *分割* | 演示 | ✅ | ✅ | ✅ | ✅ | ✅ | ✔️ | ✔️ | / |
| FCNResNet101 | 207 分钟 | *分割* | 演示 | ✅ | ✅ | ✅ | ✅ | ✅ | ✔️ | ✔️ | / |
| FastStyleTransfer | 6.4 分钟 | *风格* | 演示 | ✅ | ✅ | ✅ | ✅ | ✅ | ✔️ | ✔️ | ❔ |
| 着色器 | 123 分钟 | *着色* | 演示 | ✅ | ✅ | / | ✅ | ✅ | ✔️ | ✔️ | / |
| 子像素CNN | 234K | *分辨率* | 演示 | ✅ | ✅ | / | ✅ | ✅ | ✔️ | ✔️ | ❔ |
| 子像素CNN | 234K | *分辨率* | 演示 | ✅ | ✅ | / | ✅ | ✅ | ✔️ | ✔️ | ❔ |
| 昆虫检测 | 27 分钟 | *检波* | 演示 | ✅ | ✅ | / | ✅ | ✅ | ✔️ | ✔️ | ❔ |
| 昆虫识别 | 22 分钟 | *分类* | 演示 | ✅ | ✅ | ✅ | ✅ | ✅ | ✔️ | ✔️ | ✔️ |
| 植物 ID | 30 分钟 | *分类* | 演示 | ✅ | ✅ | ✅ | ✅ | ✅ | ✔️ | ✔️ | ✔️ |
| YOLOv5BlazeFace | 3.4 分钟 | *脸部：:d etect* | 演示 | ✅ | ✅ | / | / | ✅ | ✔️ | ✔️ | ❔ |
| YoloV5_V_6_1 | 7.5 分钟 | *检波* | 演示 | ✅ | ✅ | / | / | ✅ | ✔️ | ✔️ | ❔ |
| HeadSeg | 31 分钟 | *分割* | 演示 | ✅ | ✅ | / | ✅ | ✅ | ✔️ | ✔️ | ❔ |
| FemalePhoto2卡通 | 15 分钟 | *风格* | 演示 | ✅ | ✅ | / | ✅ | ✅ | ✔️ | ✔️ | ❔ |
| FastPortraitSeg | 400 千米 | *分割* | 演示 | ✅ | ✅ | / | / | ✅ | ✔️ | ✔️ | ❔ |
| 肖像SegSINet | 380 千米 | *分割* | 演示 | ✅ | ✅ | / | / | ✅ | ✔️ | ✔️ | ❔ |
| 肖像SegExtremeC3Net | 180k | *分割* | 演示 | ✅ | ✅ | / | / | ✅ | ✔️ | ✔️ | ❔ |
| FaceHairSeg | 18 分钟 | *分割* | 演示 | ✅ | ✅ | / | / | ✅ | ✔️ | ✔️ | ❔ |
| HairSeg （头发赛格） | 18 分钟 | *分割* | 演示 | ✅ | ✅ | / | / | ✅ | ✔️ | ✔️ | ❔ |
| MobileHumanMatting 移动人体垫 | 3M 公司 | *消 光* | 演示 | ✅ | ✅ | / | / | ✅ | ✔️ | ✔️ | ❔ |
| 移动发型隔离 | 14 分钟 | *分割* | 演示 | ✅ | ✅ | / | / | ✅ | ✔️ | ✔️ | ❔ |
| YOLOv6 | 17 分钟 | *检波* | 演示 | ✅ | ✅ | ✅ | ✅ | ✅ | ✔️ | ✔️ | ❔ |
| FaceParsingBiSeNet | 50 分钟 | *分割* | 演示 | ✅ | ✅ | ✅ | ✅ | ✅ | ✔️ | ✔️ | ❔ |
| FaceParsingBiSeNetDyn | 50 分钟 | *分割* | 演示 | ✅ | / | / | / | / | ✔️ |
![[STM32 标准库]定时器输出PWM配置流程 PWM模式解析](https://i-blog.csdnimg.cn/direct/30a616a6baf84b978237a57b09ed22c5.png##pic_center)
