使用MobileOne优化YOLOv5n

一、测试环境

       Intel(R) Core(TM) i7-10510U CPU @ 1.80GHz   2.30 GHz

       GeForce MX350  2048MiB， CUDA-10.2

       使用Pycharm，Python-3.7.1 Pytorch-1.10.1。

二、测试过程

       具体代码参考：

yolov5改进系列之轻量级mobileonehttps://zhuanlan.zhihu.com/p/667134683       分别使用和不使用Mobileone对YOLOv5n进行训练，每个训练20个Epoch。

       YOLOv5n是YOLOv5网络深度和宽度最小但检测速度最快的模型

YOLOv5n+MobileOne：

       训练前： 213 layers, 1867405 parameters, 0 gradients, 4.5 GFLOPs

       训练后： 266 layers, 1679795 parameters, 0 gradients, 4.0 GFLOPs

YOLOv5n：

训练前： 214 layers, 1772035 parameters, 1772035 gradients, 4.2 GFLOPs

训练后： 157 layers, 1767283 parameters, 0 gradients, 4.2 GFLOPs

MobileOne在Kitti数据集使用YOLOv5n训练20Epoch训练参数对比表

		网络层数	参数量	FLOPs
YOLOv5n+MobileOne	训练前	213	1867405	4.5 G
	训练后	266(+25%)	1679795(-10%)	4.0 G(-11%)
YOLOv5n	训练前	214	1772035	4.2 G
	训练后	157(-27%)	1767283(-0.3%)	4.2 G（=）
对比		+69%	-5.0%	-4.8%

三、测试结果

YOLOv5n+MobileOne：

YOLOv5n：

       在Kitti数据集使用YOLOv5n训练20Epoch条件下，测试准确率、召回率不使用MobileOne显著高于使用MobileOne。

YOLOv5n+MobileOne推理测试：

YOLOv5n推理测试：

MobileOne在Kitti数据集使用YOLOv5n训练20Epoch延迟时间对比表

		Latency
		Pre-Process	Inference	NMS at Shape	All
YOLOv5n+MobileOne	Val	0.3ms	5.3ms	1.4ms	7.3ms
	Test	0.7ms	7.3ms	1.2ms	9.2ms
YOLOv5n	Val	0.3ms	4.0ms	1.1ms	5.4ms
	Test	0.6ms	6.5ms	1.2ms	8.3ms

       在Kitti数据集使用YOLOv5n训练20Epoch条件下，延迟时间不使用MobileOne显著低于使用MobileOne。

（a）YOLOv5n+MobileOne

（b）YOLOv5n

（c）Original

推理结果图

MobileOne在Kitti数据集使用YOLOv5n训练20Epoch综合参数对比表

	Prams	FLOPs	Top-1 Acc	mAP	Latency
YOLOv5n+MobileOne	1679795	4.0	60.6%	40.6%	9.2ms
YOLOv5n	1767283	4.2	93.5%	82.1%	8.3ms
对比	-5.0%	-4.8%	-35%	-50%	+11%

四、结果反思与二次测试

       在  MobileOne: An Improved One millisecond Mobile Backbone  论文中，测试人员都是采用在300Epoch中完成对模型的训练，考虑是训练次数不足的原因导致结果不理想，遂在50Epoch进行二次测试。（由于训练时间过长，没有选择300Epoch进行训练，使用50Epoch仍然花费了快一天的时间。

 MobileOne在Kitti数据集使用YOLOv5n延迟时间对比表

		Latency
		Pre-Process	Inference	NMS at Shape	All
YOLOv5n+MobileOne 50Epoch	Val	0.3ms	5.3ms	1.2ms	6.7ms
	Test	0.8ms	7.1ms	1.3ms	9.2ms
YOLOv5n+MobileOne 20Epoch	Val	0.3ms	5.3ms	1.4ms	7.3ms
	Test	0.7ms	7.3ms	1.2ms	9.2ms
YOLOv5n 20Epoch	Val	0.3ms	4.0ms	1.1ms	5.4ms
	Test	0.6ms	6.5ms	1.2ms	8.3ms

MobileOne在Kitti数据集使用YOLOv5n综合参数对比表

	Epoch	Prams	FLOPs	Top-1 Acc	mAP	Latency
YOLOv5n+MobileOne	50	1679795	4.0	83.5%	64.1%	9.2ms
YOLOv5n+MobileOne	20	1679795	4.0	60.6%	40.6%	9.2ms
YOLOv5n	20	1767283	4.2	93.5%	82.1%	8.3ms
对比		-5.0%	-4.8%	-11%	-22%	+11%

       可以看出训练周期上去以后稍好，但是准确率和推理时间还是比较长。

       综合以上，可以看出MobileOne在YOLOv5n上能够减少参数量和FLOPs，但是增加了layer从而增加了推理时间，并且由于参数量下降降低了识别准确率。