摘要
现有目标检测算法消耗大量算力资源、参数量大、占用内存空间多,不利于在小型设备上推广使用.因此,基于结构重参数化技术并结合YOLO系列算法的研究成果,提出了一种轻量化目标检测模型Rep-YOLO.使用结构重参数化技术实现模型在训练时的多分支结构和推理时的线性结构之间的转换,从而减少模型推理时对算力资源的消耗.另外,为了降低模型的参数量,利用深度可分离卷积、网络裁剪等方法,重新设计了多尺度特征融合网络和检测头.实验结果表明:在PASCAL VOC上,Rep-YOLO-s1 精度可达82.7%,Rep-YOLO-s1 与YOLOv6s相比,在参数量减少54.8%的情况下,精度提高了2.4 百分点,推理速度提升了 6%.在NVIDIA RTX 3060 GPU上,Rep-YOLO-s0 比YOLOv6s的推理速度快10%,Rep-YOLO-nano比YOLOv7-tiny快4%,精度提高了0.5 百分点.Rep-YOLO与规模类似的模型相比,体积更小,精度更高,更加利于资源有限的部署应用.
国家科技期刊平台
NSTL
维普
万方数据