Yolo-lite:实时的适用于移动设备的目标检测算法(比ssd和mobilenet更快)

YOLO-LITE: A Real-Time Object Detection Algorithm Optimized for Non-GPU Computers

论文：Yolo-lite paper

项目：Yolo-lite

摘要：

　　作者提出了一种可以应用于便携式设备中运行的实时的目标检测算法，例如：手机或者没有gpu的笔记本．在PASCAL VOC和coco数据集上的map是33.81%和12.26％比ssd和mobilenet－v1训练的模型更快，目的就是为了得到更小，更快，更高效的模型．

引言：

　　近年来，目标检测算法在计算机视觉领域中有着广泛的应用，是一个十分热门的领域，包括人脸识别、面部检测、姿态估计等其他应用。目标检测就是预测对象的位置，通过给定的边界框，并对框内目标进行分类。随着技术的发展，检测的精度和准确性不再是主要的因素和技术指标，例如自动驾驶汽车。需要实时监测车辆周边的实时环境，高效快捷算法是关键。目前，最先进的自动驾驶中使用的算法严重依赖昂贵的雷达和深度传感器，计算也需要大量的GPU，这增加了计算成本。建立更高更深的神经网络，提升算法的准确性成为一种趋势，但是对于现实生活中的运用并没有帮助，相反则需要提升自己的计算成本去运行。R－CNN和YOLO算法已经实现了很高的平均精确度，但是在没有Ｇpu的电脑上的FPS却十分感人。因此，作者打算采用一种轻量化的目标检测算法能够运行在移动设备中。

图１ YOLO-LITE目标检测效果图

 

相关概念：

Ａ．R－CNN

    　基于区域的卷积神经网络