LeYOLO：面向对象检测的新型嵌入式架构

深度神经网络中的高效计算对于实时目标检测至关重要。然而，最近的进展主要来自改进高性能硬件，而非提高参数和FLOP效率。这一点在最新的YOLO架构中尤为明显，其中速度被置于轻量化设计之上。因此，针对低资源环境（如微控制器）优化的目标检测模型受到了较少关注。对于计算能力有限的设备，现有解决方案主要依赖SSDLite或低参数分类器的组合，导致YOLO类架构与真正高效轻量检测器之间存在明显差距。这引出一个关键问题：参数和FLOP效率优化的模型能否实现类似主流YOLO模型的准确度？为此，我们提出两个关键贡献：首先，提出LeNeck，一种通用检测框架，保持与SSDLite相当的推理速度，同时显著提高准确度并降低参数数量；其次，提出LeYOLO，一种高效目标检测模型，旨在增强YOLO类架构的计算效率。LeYOLO有效弥合了SSDLite检测器与YOLO模型之间的鸿沟，提供了如同MobileNets般紧凑且高准确度的模型。两项贡献特别适合移动、嵌入式和超低功耗设备，包括微控制器，计算效率至关重要。