1.8M超轻量目标检测模型NanoDet，比YOLO跑得快

最新推荐文章于 2024-07-23 01:00:00 发布

智云研

最新推荐文章于 2024-07-23 01:00:00 发布

阅读量726

点赞数 1

分类专栏： AI资讯文章标签：计算机视觉机器学习人工智能深度学习 java

本文链接：https://blog.csdn.net/aizhushou/article/details/110110637

版权

NanoDet是一个轻量级、高速的移动端Anchor-free目标检测模型，大小仅1.8MB，速度可达97fps。基于ncnn实现，适用于Android和C++，性能接近YOLO系列，提供详细教程和Demo。

摘要由CSDN通过智能技术生成

机器之心报道

项目作者：RangiLyu

如何把 anchor-free 模型移植到移动端或嵌入式设备？这个项目对单阶段检测模型三大模块（Head、Neck、Backbone）进行轻量化，得到模型大小仅 1.8m、速度超快的轻量级模型 NanoDet-m。

目标检测一直是计算机视觉领域的一大难题，其目标是找出图像中的所有感兴趣区域，并确定这些区域的位置和类别。目标检测中的深度学习方法已经发展了很多年，并出现了不同类型的检测方法。

目前，深度学习目标检测方法主要分为两大类，分别是两阶段式和单阶段式目标检测算法。两阶段式目标检测框架首先生成候选区域，然后将其分类成不同的目标类别，代表模型有 R-CNN、Fast R-CNN 等；单阶段式目标检测框架将目标检测任务视为一个统一的端到端回归问题，代表模型有 MultiBox、YOLO、SSD 等。这类框架通常结构更简单，检测速度也更快。

深度学习目标检测方法还可划分为 Anchor-base 和 Anchor-free 两大类，今年又出现了将Transformer 用于目标检测的尝试，各种方法百花齐放。但是，在移动端目标检测算法上，YOLO 系列和 SSD 等 Anchor-base 的模型一直占据主导地位。

近日，GitHub 上出现了一个项目 nanodet，它开源了一个移动端实时的 Anchor-free 检测模型，希望能够提供不亚于 YOLO 系列的性能，而且同样方便训练和移植。该项目上线仅两天，Star 量已经超过 200。

1.8M超轻量目标检测模型NanoDet，比YOLO跑得快