YOLO Nano：一种用于目标检测的高度紧凑型 YOLO 卷积神经网络
计算机视觉与模式识别
2019-10-04 v1 神经与进化计算
摘要
目标检测仍然是计算机视觉领域一个活跃的研究方向，通过设计用于处理目标检测的深度卷积神经网络，该领域已取得了相当大的进展和成功。尽管取得了这些成功，但在边缘和移动场景中广泛部署此类目标检测网络的最大挑战之一是其高计算和内存需求。因此，针对边缘和移动使用场景设计高效深度神经网络架构的研究兴趣日益增长。在本研究中，我们提出了 YOLO Nano，一种用于目标检测任务的高度紧凑型深度卷积神经网络。我们利用人机协同设计策略创建了 YOLO Nano，其中基于 YOLO 系列单次目标检测网络架构设计原则的原则性网络设计原型，与机器驱动的设计探索相结合，创建了一个紧凑的网络，其具有高度定制化的模块级宏观架构和微观架构设计，专为嵌入式目标检测任务量身定制。所提出的 YOLO Nano 模型大小约为 4.0MB（分别比 Tiny YOLOv2 和 Tiny YOLOv3 小 >15.1 倍和 >8.3 倍），推理需要 45.7 亿次运算（分别比 Tiny YOLOv2 和 Tiny YOLOv3 低 >34% 和约 17%），同时在 VOC 2007 数据集上仍能达到约 69.1% 的 mAP（分别比 Tiny YOLOv2 和 Tiny YOLOv3 高约 12% 和约 10.7%）。在 Jetson AGX Xavier 嵌入式模块上不同功耗预算下的推理速度和能效实验进一步证明了 YOLO Nano 在嵌入式场景中的有效性。
引用
@article{arxiv.1910.01271,
title = {YOLO Nano: a Highly Compact You Only Look Once Convolutional Neural Network for Object Detection},
author = {Alexander Wong and Mahmoud Famuori and Mohammad Javad Shafiee and Francis Li and Brendan Chwyl and Jonathan Chung},
journal= {arXiv preprint arXiv:1910.01271},
year = {2019}
}
备注
5 pages