基于量化YOLOv4-Tiny的轻量级目标检测用于航拍紧急响应
计算机视觉与模式识别
2025-06-12 v1 机器学习
摘要
本文提出了一种面向紧急响应场景中航拍图像的轻量级且节能的目标检测方案。我们聚焦于部署YOLOv4-Tiny模型——一种紧凑的卷积神经网络——并通过训练后量化优化至INT8精度。该模型在一个自定义整理的航空紧急数据集上进行训练，该数据集包含10,820张标注图像，覆盖了关键的紧急场景。与先前依赖公开数据集的工作不同，由于缺乏公开的无人机视角紧急影像，我们自行创建了该数据集，这使得数据集本身成为本工作的重要贡献。量化模型在多个指标上与YOLOv5-small进行了评估，包括平均精度均值（mAP）、F1分数、推理时间和模型大小。实验结果表明，量化YOLOv4-Tiny在保持相当检测性能的同时，将模型大小从22.5 MB缩减至6.4 MB，并将推理速度提升了44%。模型大小减少71%、推理速度提升44%，使得量化YOLOv4-Tiny模型非常适合在低功耗边缘设备上进行实时紧急检测。
引用
@article{arxiv.2506.09299,
title = {Lightweight Object Detection Using Quantized YOLOv4-Tiny for Emergency Response in Aerial Imagery},
author = {Sindhu Boddu and Arindam Mukherjee},
journal= {arXiv preprint arXiv:2506.09299},
year = {2025}
}
备注
6 Pages, 3 figures