STResNet 与 STYOLO：面向 MCU 的紧凑分类与目标检测模型新家族
计算机视觉与模式识别
2026-01-12 v1 人工智能
摘要
轻量级神经网络的最新进展显著提升了在边缘硬件上部署深度学习模型的效率。然而，现有大多数架构仍以准确率换取延迟，这限制了它们在基于微控制器和神经处理单元的设备上的适用性。在本工作中，我们引入了两个新的模型家族：用于图像分类的 STResNet 和用于目标检测的 STYOLO，它们在资源受限的平台上对准确率、效率和内存占用进行了联合优化。所提出的 STResNet 系列（从 Nano 到 Tiny 变体）在四百万参数预算内实现了具竞争力的 ImageNet 1K 准确率。具体而言，STResNetMilli 仅用三百万参数即达到了 70.0% 的 Top-1 准确率，在计算复杂度相当的情况下优于 MobileNetV1 和 ShuffleNetV2。在目标检测方面，STYOLOMicro 和 STYOLOMilli 在 MS COCO 数据集上分别实现了 30.5% 和 33.6% 的平均精度均值，在准确率和效率上均超越了 YOLOv5n 和 YOLOX Nano。此外，当 STResNetMilli 在 Ultralytics 训练环境中用作骨干网络时。
引用
@article{arxiv.2601.05364,
title = {STResNet & STYOLO : A New Family of Compact Classification and Object Detection Models for MCUs},
author = {Sudhakar Sah and Ravish Kumar},
journal= {arXiv preprint arXiv:2601.05364},
year = {2026}
}
备注
9 pages, 1 figure