重磅！YOLO-LITE来了

淡淡的烟草味﹌ 2022-04-15 01:57 562阅读 0赞

YOLO-LITE是一种实时目标检测模型，可用于便携式设备，如缺少图形处理单元（GPU）的笔记本电脑或手机。

该模型在PASCAL VOC数据集和COCO数据集上训练，分别达到33.81％和12.26％的mAP。YOLO-LITE仅有7层和4.82亿FLOPS，其在非GPU计算机上以大约21 FPS运行，在网页上以10 FPS运行。这个速度比最SOTA的SSD Mobilenet v1快3.8倍。  
**YOLO-LITE主要有两个贡献：**

*  **证明浅层网络（shallow networks）的对于非GPU快速目标检测应用的能力。**
 *  **证明batch normalization对于浅层的网络是不必要的**  
    \-![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3p3X19jaGVu_size_16_color_FFFFFF_t_70]

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3p3X19jaGVu_size_16_color_FFFFFF_t_70 1]

Table VI 表示Tiny-YOLOv2网络结构，而Table VII表示YOLO-LITE的最佳性能试验（Trial）：试验3-无BN。

Tiny-YOLOv2由9个卷积层组成，总共3,181个filters和69.7亿个FLOPS。相比之下，试验3 - 无BN的YOLO-LITE仅由7层组成，总共749个filters和4.82亿个FLOPS。Tiny-YOLOv2比YOLO-LITE试验3 - 无BN 具有14倍以上的FLOPS 。

### 数据集 ###

*  PASCAL VOC 2007+2012
 *  COCO 2014

### 实验 ###

下图显示了试验3-无BN是YOLO-LITE最佳版本，其mAP和FPS的tradeoff最佳。  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3p3X19jaGVu_size_16_color_FFFFFF_t_70 2]  
在这个实验中，在no-gup上进行测试，可以看到本文提出的方法fps提升了好几倍，但是这个map确实是不忍直视。。就拿原模型tiny-yolov2来比较，就直接下降了一半。  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3p3X19jaGVu_size_16_color_FFFFFF_t_70 3]

### 总结 ###

YOLO-LITE实现了将目标检测引入无GPU计算机的目标。此外，YOLO-LITE为目标检测领域提供了多种贡献。首先，YOL-LITE表明，shallow networks 对轻量级实时目标检测网络具有巨大潜力。在无GPU计算机上以21 FPS运行对于如小系统非常有前景。其次，YOLO-LITE表明，当涉及较小的浅层网络时，应该"质疑"是否需要使用batch normalization。

在知乎上看到一个对比图，挺有意思的：  
先看看TinyYOLOv2，预测速度是58FPS（17ms）  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3p3X19jaGVu_size_16_color_FFFFFF_t_70 4]  
然后这个是本文提出的，YOLO-LITE，预测速度是200FPS（5ms）  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3p3X19jaGVu_size_16_color_FFFFFF_t_70 5]

只能说，这个准确率，，，，，这个demo真尴尬 \\笑哭

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3p3X19jaGVu_size_16_color_FFFFFF_t_70]: /images/20220415/5810e8e1b5654d29b87f09372e9bf316.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3p3X19jaGVu_size_16_color_FFFFFF_t_70 1]: /images/20220415/0b399813388b497c85513dcf69be395d.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3p3X19jaGVu_size_16_color_FFFFFF_t_70 2]: /images/20220415/175171a1c96445fbbd475aad9d2acb7b.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3p3X19jaGVu_size_16_color_FFFFFF_t_70 3]: /images/20220415/25b149c0a19f4f3baa81121fdf92b8db.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3p3X19jaGVu_size_16_color_FFFFFF_t_70 4]: /images/20220415/08a39fabb96c4fbaab6fe0ad1511c69c.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3p3X19jaGVu_size_16_color_FFFFFF_t_70 5]: /images/20220415/5b8d04dbe48e48568d0cdf78112b9f19.png