PP-PicoDet：一种更优的移动端实时目标检测器
计算机视觉与模式识别
2021-11-02 v1
摘要
更好的精度与效率权衡一直是目标检测中的挑战性问题。在本工作中，我们致力于研究目标检测的关键优化与神经网络架构选择，以提升精度与效率。我们考察了无锚框策略在轻量级目标检测模型上的适用性。我们增强了骨干网络结构并设计了轻量级 neck 结构，提升了网络的特征提取能力。我们改进了标签分配策略与损失函数，使训练更加稳定高效。通过这些优化，我们创建了一系列新的实时目标检测器，命名为 PP-PicoDet，其在移动端目标检测上取得了优异性能。与其他流行模型相比，我们的模型在精度与延迟之间实现了更好的权衡。仅含 0.99M 参数的 PicoDet-S 达到了 30.6% mAP，相较 YOLOX-Nano 在 mAP 上绝对提升 4.8%，同时将移动端 CPU 推理延迟降低 55%，相较 NanoDet 在 mAP 上绝对提升 7.1%。在输入尺寸为 320 时，其在移动端 ARM CPU 上达到 123 FPS（使用 Paddle Lite 为 150 FPS）。仅含 3.3M 参数的 PicoDet-L 达到了 40.9% mAP，相较 YOLOv5s 在 mAP 上绝对提升 3.7% 且速度快 44%。如图 1 所示，我们的模型远超轻量级目标检测的最先进结果。代码与预训练模型可在 https://github.com/PaddlePaddle/PaddleDetection 获取。
引用
@article{arxiv.2111.00902,
title = {PP-PicoDet: A Better Real-Time Object Detector on Mobile Devices},
author = {Guanghua Yu and Qinyao Chang and Wenyu Lv and Chang Xu and Cheng Cui and Wei Ji and Qingqing Dang and Kaipeng Deng and Guanzhong Wang and Yuning Du and Baohua Lai and Qiwen Liu and Xiaoguang Hu and Dianhai Yu and Yanjun Ma},
journal= {arXiv preprint arXiv:2111.00902},
year = {2021}
}
备注
9 pages, 3 figures, 5 tables