面向YOLOv5的模型压缩方法综述

过去几年中，大量研究致力于改进YOLO目标检测器。自其提出以来，已发布八个主要版本YOLO，旨在提升其精度与效率。尽管YOLO的显著优点使其在众多领域被广泛使用，但将其部署在资源受限设备上面临挑战。为解决此问题，已开发出多种神经网络压缩方法，主要分为网络剪枝、量化和知识蒸馏三类。利用模型压缩方法带来的有益成果，如降低内存占用和推理时间，使得它们在硬件受限的边缘设备上部署大型神经网络时即使不是必需也是可取的。本综述论文聚焦于剪枝和量化，因其具有相对模块化特性。我们对其分类并分析将这些方法应用于YOLOv5的实际结果。借此，我们识别出在适配剪枝和量化以压缩YOLOv5方面的空白，并提供该领域未来探索方向。在YOLO多个版本中，我们特选YOLOv5因其兼具文献中时效性与流行度的良好权衡。这是首篇从实现角度调研YOLOv5上剪枝与量化方法的具体综述论文。我们的研究也可扩展至YOLO更新版本，因在资源受限设备上部署它们面临即便至今仍持续存在的相同挑战。本文面向那些对YOLOv5上模型压缩方法实际部署感兴趣，以及探索可用于YOLO后续版本的不同压缩技术之人。