轻量级目标检测算法整理

最新推荐文章于 2024-09-13 12:00:20 发布

牧羊女说

最新推荐文章于 2024-09-13 12:00:20 发布

阅读量9.8k

点赞数 17

分类专栏：深度学习文章标签：深度学习

本文链接：https://blog.csdn.net/DeliaPu/article/details/123881756

版权

深度学习专栏收录该内容

30 篇文章 3 订阅

订阅专栏

随着目标检测算法的快速发展，以及终端应用的日渐广泛，工业界对深度学习网络在终端应用的关注度越来越高，尤其是对于如何保持速度和精度上的平衡，也形成了不小的研究热度。本篇整理了一些较新的轻量级目标检测网络，结合我们自己的目标，所选的网络参数量多在4M以下。

1. YOLO Nano

YOLO Nano是一个高度紧凑的网络，它是一个基于YOLO网络的8位量化模型，并在PASCAL VOC 2007数据集上进行了优化。模型大小在4M左右，在计算上需要4.57B推算，性能表现上，在VOC 2007数据集上得到了69.1%的mAP。该网络非常适合边缘设备与移动端的实时检测。

论文地址：https://arxiv.org/abs/1910.01271

代码地址：GitHub - liux0614/yolo_nano: Unofficial implementation of yolo nano

YOLO Nano与Tiny YOLOv2、Tiny YOLOv3的对比：

2. Micro-YOLO

Micro-YOLO基于YOLOv3-Tiny，它在保持检测性能的同时显着减少了参数数量和计算成本。研究者建议将YOLOv3-tiny网络中的卷积层替换为深度分布偏移卷积(DSConv：https://arxiv.org/abs/1901.01928v1)和带有squeeze和excitation块的移动反向瓶颈卷积 (MBConv：主要源自于EfficientNet)，并设计渐进式通道级剪枝算法以最小化数量参数并最大化检测性能。

该网络尚未找到开源实现。

论文地址：https://www.scitepress.org/Papers/2021/102344/102344.pdf

Micro-YOLO模型的参数量、乘加数可参见下表：

3. NanoDet

NanoDet是一款超快速、高精度、anchor-free的轻量级检测网络，可实现在移动设备上的实时运行。主要面向工程应用，暂未有论文发表。

工程链接：GitHub - RangiLyu/nanodet: NanoDet-Plus

该网络具有如下特性：

超轻量级：模型文件只有0.98MB(INT8)或1.8MB(FP16)；
推理速度快：在移动ARM CPU上可达到97fps，即每帧10.23ms的推理速度；
高精度：CPU实时推理下最高可达34.3 mAPval@0.5:0.95；
训练友好：比其他模型具有明显小的GPU memory消耗，在GTX1060 6G0上可做到batch-size=80；
方便部署：支持各种后端，包括ncnn、MNN和OpenVINO。并且提供了基于ncnn推理框架的Android演示。

NanoDet-Plus在NanoDet基础上进行了更进一步的优化，增加了AGM(Assign Guidance Module) 和DSLA(Dynamic Soft Label Assigner)模块，使精度在COCO dataset上有了7个点的 mAP提升(与NanoDet相比提升了30%左右)，且使得训练和部署更容易。

NanoDet-Plus整体架构图：

模型表现对比：

4. YOLOX-Nano

YOLOX是在YOLO系列的基础上进行了若干改进生成的新的高性能检测器。要点包括：(1) Anchor-free的检测方式；(2) 检测头解耦；(3) 先进的标签分配策略SimOTA；(4)强数据增广；(5) Multi positives。其中，YOLOX-Nano只有0.91M的参数量和1.08G FLOPs，在COCO数据集上获得了25.3%的mAP，比NanoDet高1.8% mAP。

论文地址：https://arxiv.org/abs/2107.08430

代码地址：https://github.com/Megvii-BaseDetection/YOLOX

下图给出了YOLO和YOLOX在检测头结构上的区别：

两种检测头在训练时的收敛情况如下图所示：

论文中给出了YOLOX-Nano与其他轻量级网络的对比。

更多图形化对比：

5. 华为GhostNet

GhostNet通过Ghost模块构建高效的神经网络结构，从而减少神经网络的计算成本。Ghost模块将原始卷积层分为两部分，首先使用较少的卷积核来生成原始特征图，然后，进一步使用廉价变换操作以高效生产更多幻影特征图。在基准模型和数据集上进行的实验表明，该方法是一个即插即用的模块，能够将原始模型转换为更紧凑的模型，同时保持可比的性能。此外，在效率和准确性方面，使用提出的新模块构建的GhostNet均优于最新的轻量神经网络，如MobileNetV3。

论文地址：https://arxiv.org/pdf/1911.11907.pdf

代码地址：GhostNet

6. YOLOv5

代码地址：YOLOv5

YOLOv5是一系列目标检测架构的合集，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。为了应对移动端的部署应用，作者推出了YOLOv5的n版本，其参数量只有1.9M，在COCO val2007 dataset上的mAP精度也达到了28.4，而YOLOv5n6在YOLOv5n的基础上，mAP又有所提升，达到了34，同时模型参数量提升到3.2M。

推理和精度：

7. YOLO-Fastest

Yolo-Fastest注重的是单核的实时推理性能，在满足实时的条件下的低CPU占用。目前Yolo-Fastest更新到了V2版本。

工程地址：

YOLO-FastestV2

YOLO-Fastest

模型特点：

简单、快速、紧凑、易于移植；
占用资源少，单核性能优异，功耗低；
基于yolo的已知最快最小通用目标检测算法；
适用于所有平台的实时目标检测算法；
ARM移动终端优化设计，优化支持NCNN推理框架。
训练速度快，计算能力要求低，训练只需要3GB视频内存，gtx1660ti训练COCO 1 epoch只需4分钟。

V2版本相对于V1版本更快更小：以0.3%的精度损失换取30%的推理速度提高，参数数量减少25%。

数据对比：

8. YOLOv5-Lite

YOLOv5-Lite为轻量型的YOLOv5改进版本，整体算法与YOLOv5基本一致，通过修改了YOLOv5的backbone达到模型压缩的目的。根据不同的backbone分别提供了e、s、c、g版本，e版本的backbone为shufflenetv2，s版本的backbone也是shufflenetv2 (与e版本的head不同)，c版本的backbone为PPLcnet，g版本的backbone为Repvgg。

工程地址：YOLOv5-Lite

与各个轻量级算法的精度对比：

各模型的backbone、head以及适用的平台可参加下面几个表：

9. YOLObile

YOLObile，顾名思义，是一种适用于移动设备的轻量级网络，从压缩、编译两个角度，在保证模型准确率的基础上，减少模型的大小，并提升模型在移动设备端的运行速度。新的YOLObile framework将YOLOv4压缩了14倍，准确率保持在49.0mAP。

论文地址：https://arxiv.org/pdf/2009.05697.pdf

代码地址：YOLObile

YOLObile使用了一种新的block-punched剪枝技术，并且为了提高在移动设备上的计算效率，采用了GPU-CPU协作方案以及高级编译器辅助优化。YOLObile在三星Galaxy S20 GPU上达到17FPS的帧率，使用GPU-CPU协作方案可将帧率提升至19.1 FPS，比YOLOv4的速度提升了5倍。

YOLObile与其他模型在精度和速度上的对比：