1.3MB的超輕YOLO算法！全平臺通用，準確率接近YOLOv3，速度快上45%丨開源
號稱目前最快的目標檢測算法
蕭簫 發自 凹非寺
量子位 報道 | 公眾號 QbitAI
最輕的YOLO算法出來了！
這是個模型非常小、號稱目前最快的YOLO算法——大小只有1.3MB，單核每秒148幀，移動設備上也能輕易部署。
而且，這個YOLO-Fastest算法滿足所有平臺的需要。
不論是PyTorch，還是Tensorflow，又或者是Keras和Caffe，可以說是全平臺通用。
此外，作者還推出了超輕YOLO的“加大版”，同樣只需要3.5MB，就能實現比YOLOv3更好的目標檢測效果。
那么，這么輕的網絡，檢測效果怎么樣？
1.3MB的超輕YOLO
檢測效果
下圖是一只快速跑動的動物，可以看見，算法預測這只動物為雞（chicken）的概率是95%。
不僅在動物檢測上，對于人的檢測效果也不錯。
從圖中可見，正面人物的預測概率都超過了90%，即使是接近側面的人臉，系統也能準確預測出來，只是概率會偏小，接近50%。
此外也能看見，YOLO不僅能檢測行人和動物，類似于餐桌和瓶子這樣的目標物體也能檢測出來。
當然，桌上還有其他的瓶子，不過沒有檢測出來。
而這樣的檢測效果，只需要1.3MB大小的YOLO-Fastest模型，相比于3.0MB的MobileNet-YOLOv3，參數少了65%，速度還要快上45%。
如果硬件要求沒那么高，相比之下，還是精度更重要的話，這里的YOLO-Fastest-XL會更加適合。
這個“加大版”YOLO-Fastest算法是一個3.5MB的算法模型，mAP要高上不少，達到了68.8%。
整體來說，YOLO-Fastest是個犧牲一定精度?（大約5%的mAP）、大幅提升速度的目標檢測模型。
結合最強移動端輕量級神經網絡食用
之所以這么小，也是因為這個YOLO-Fastest搭配了號稱當前最強的移動端輕量級神經網絡EfficientNet-lite。
這是個比MobileNet更輕的神經網絡，但圖像分類的效果還不錯。
△ EfficientNet-lite架構
不過，這樣的壓縮會犧牲一定的精度，相比于YOLOv3，YOLO-Fastest模型的mAP只有60.8%。
但對于一些容量有限的硬件來說，已經足夠適用了。
那么，究竟為什么要在目標檢測算法中選擇YOLO呢？
YOLO：快速目標檢測
目標檢測算法YOLO的核心，在于它模型體積小、運算速度快。
與R-CNN系列（Fast R-CNN、Faster R-CNN等）的算法相比，YOLO的精度上不了臺，但它的速度卻是杠杠的。
檢測速度，從先驗框（下圖中五彩斑斕的框架）變換的頻次就能看出來。
之所以追求速度，是因為作為安防、自動駕駛領域的核心算法，目標檢測講究實時。
如果安防要過幾秒鐘才能檢測出竊賊的存在、或是自動駕駛汽車對路障的感知非常緩慢，那么后果可能會不堪設想。
此后誕生出來的SSD算法，有點像R-CNN和YOLO算法的折中。但對于某些存儲體積有限的硬件來說，依舊只有YOLO才能“裝得進去”。
而只有230MFLOPS（每秒運行230萬次浮點運算）的YOLO-Fastest模型，又給算力不足的硬件提供了機會，使得它有機會在更小的機器上運行。
作者相關
有意思的是，這位在GitHub上名為dog-qiuqiu的作者，此前還寫過基于MobileNet圖像分類算法的YOLOv3（GitHub 1.1k星），同樣可以在全平臺使用。
不僅如此，這個全平臺通用的MobileNet-YOLOv3，體積和精度都要優于MobileNet-SSD。
在體積只有8.0MB（相比于SSD減少了15.1MB）的情況下，MobileNet-YOLOv3的mAP達到了73.26%（相比于SSD上升了0.56%）。
如果感興趣的話，可以一同戳下方傳送門查看這個目標檢測算法。
傳送門
1.3MB超輕YOLO：
https://github.com/dog-qiuqiu/Yolo-Fastest
比SSD效果更好的MobileNet-YOLO：
https://github.com/dog-qiuqiu/MobileNet-Yolo
- 首個GPT-4驅動的人形機器人！無需編程+零樣本學習，還可根據口頭反饋調整行為2023-12-13
- IDC霍錦潔：AI PC將顛覆性變革PC產業2023-12-08
- AI視覺字謎爆火！夢露轉180°秒變愛因斯坦，英偉達高級AI科學家：近期最酷的擴散模型2023-12-03
- 蘋果大模型最大動作：開源M芯專用ML框架，能跑70億大模型2023-12-07
