YOffleNet | YOLO V4 基于嵌入式設備的輕量化改進(jìn)設計

以下文章來(lái)源于集智書(shū)童 ，作者ChaucerG

1簡(jiǎn)介

最新的基于CNN的目標檢測模型相當精確，但需要高性能GPU實(shí)時(shí)運行。對于內存空間有限的嵌入式系統來(lái)說(shuō)，它們在內存大小和速度方面依舊不是很好。

由于目標檢測是在嵌入式處理器上進(jìn)行的，因此在保證檢測精度的同時(shí)，最好盡可能地壓縮檢測網(wǎng)絡(luò )。有幾個(gè)流行的輕量級檢測模型，但它們的準確性太低。因此，本文提出了一種新的目標檢測模型 YOffleNet，該模型在壓縮率高的同時(shí)，將精度損失降到最小，可用于自動(dòng)駕駛系統上的實(shí)時(shí)安全駕駛應用。該模型的Backbone架構是基于YOLOv4實(shí)現，但是可以用ShuffleNet的輕量級模塊代替CSP的高計算負荷的DenseNet，從而大大壓縮網(wǎng)絡(luò )。

在KITTI數據集上的實(shí)驗表明，提出的YOffleNet比YOLOv4-s壓縮了4.7倍，在嵌入式GPU系統(NVIDIA Jetson AGX Xavier)上可以達到46FPS的速度。與高壓縮比相比，精度略有降低，為85.8% mAP，僅比YOLOv4-s低2.6%。因此，提出的網(wǎng)絡(luò )具有很高的潛力部署在嵌入式系統。

2YOLO V4簡(jiǎn)述

在YOLOv4的主干網(wǎng)絡(luò )CSPDarknet-53中，CSP將特征卷積一定次數后復制使用與前一層特征cat起來(lái)，然后利用DenseNet模塊。

在Neck中，輸入特征圖有3種大小。SPP最大池化后concat技術(shù)提高了各種尺寸輸入的準確性。此外，它通過(guò)自底向上的路徑增強技術(shù)平滑特征。

YOLOv4引入PANet以促進(jìn)信息流和它彌補了權重帶來(lái)的精度損失問(wèn)題。

YOLO v4的Head依舊采用YOLOv3的物體檢測方法。

3YOLO V4輕量化設計

YOffleNet

YOLOv4中使用的主要模塊是下圖中的CSP DenseNet；此外為了防止初始特征圖中的信息丟失的問(wèn)題，作者還設計了PANet結構，其是通過(guò)自下而上的路徑增強特征表達的。它促進(jìn)信息的流動(dòng)的同時(shí)也增加了特征圖中的通道數、增加參數的數量，這也是YOffleNet模型為它改進(jìn)了上述YOLOv4模型的缺點(diǎn)。

CSP DenseNet

改進(jìn)點(diǎn) 1

主干層CSP DenseNet是一種隨著(zhù)深度增加而不可避免地增加計算量的結構。在本研究中，主干網(wǎng)絡(luò )層被配置為ShuffleNet模塊。

ShuffleNet模塊

改進(jìn)點(diǎn) 2

YOLOv4網(wǎng)絡(luò )中使用的SPP+PANet結構簡(jiǎn)化和減輕模型的大小?，F有YOLOv4模型的PANet從主干網(wǎng)絡(luò )分為3層作為輸入的。然而，常見(jiàn)對象檢測情況與自動(dòng)駕駛環(huán)境不同，有限類(lèi)別中的物體檢測（汽車(chē)、行人等，更小的目標也就少了）。

基于這個(gè)原因，改進(jìn)PANet可以接收來(lái)自backbone網(wǎng)絡(luò )的只有2層的輸入。Upsample, Downsample層的位置和數量變少了。計算量相對也就減少了。

4實(shí)驗

沒(méi)啥好評價(jià)的，確實(shí)變快了，但是這個(gè)改進(jìn)確實(shí)有點(diǎn)。。。。你懂的?。?！

5參考

[1].Developing a Compressed Object Detection Model based on YOLOv4 for Deployment on Embedded GPU Platform of Autonomous System