Faut ajuster les niveaux de confiance et les tailles des zones pour éviter les faux positifs
filters:
person:
threshold: 0.9
min_area: 40000
cat:
threshold: 0.8
min_area: 2000
max_area: 20000
dog:
threshold: 0.8
min_area: 2000
max_area: 20000
Pour répondre à ta question, le binaire n’est pas distribué pour des questions de licence justement.
Si quelqu’un le met a dispo c’est exactement le même sujet
D’où le collab.
C’était déjà le cas sur les yolov8
La version 0.15 intégré le support direct des .onnx, ce qui devrait permettre de multiplier les modèles a disposition
Il faut que je vois à l’usage si la détection est précise, mais niveau performance, en 256 le yolo nas S est chez moi à 32ms (38ms en 320, je m’attendais à plus d’écart), soit le double que le SSDlite V2, à voir si ça passera avec plus de 3 caméras dans le futur.
En dehors de la taille, je ne sais pas si il y a d’autres paramètres à la compilation qu’on pourrait réduire pour limiter l’inference sans trop dégrader la précision ?
On ne peut pas l’utiliser pour des raisons commerciales mais je peux poster le fichier ici non?
J’ai effectivemnet essayé de relancer le colab et il plante. J’ai pas chercher à comprendre pourquoi il peut pas charger les libraries nécessaire pour générer le fichier.
EDIT: MEME AVEC L’ERREUR DANS LE COLAB VOUS POUVEZ CONTINUER!!!
C’est pareil tu prends le risque d’enfreindre la licence
Sûrement pas grand chose mais il me semble normal de respecter le’choix de l’auteur qui plus est quand il met son travail a dispo gratuitement
Ça me paraît élevé 32ms sur une machine recente, je suis a 25 sur mon i5 gen7 avec 4 caméras en 2MP
J’ai testé un tas de paramètres dans le collab mais ça changes pas fondamentalement l’inférence
Pour apporter quelques éléments complémentaires, apres passage sous 0.15 beta 1 l’inference time en yolonas a diminué assez drastiquement passant de 25 ms chez moi à environ 17ms
Salut,
Merci pour ton partage. Cela m’a permis de mettre yolonas en place 
Avec mon coral usb (i5 8250u, frigate 15rc1, 2 cams, une en 576p l’autre en 720p), j’étais entre 12et 15ms.
Avec SSDLite à 20ms.
Avec yolonas je suis à 45 ms (320x320).
Mon but est d’ameliorer la detection de nuit car elle est quasiment inexistante (personnes et voitures). Je ne sais pas si 45 ms c’est vraiment tenable.
Si vous avez des tips, je vous en remercie.
Hello,
Mon Intel NUC a rendu l’âme donc je n’utilise plus Frigate (j’ai que des caméras pour voir s’il y a des souris qui viennent sur ma terrasse 
) et l’autre Frigate que j’utilise avec 8 caméras je n’ai pas de temps à lui donner.
J’ai remarqué des performances très différentes en fonction de ce qui est filmé. Du coup je ne suis pas assez expert pour savoir ce qui est « mieux ». Est-ce que YOLONAS est un peu plus lent mais fait de la meilleure détection?