网站设计效果专业乐云seo,wordpress 主机郑州,移动网站设计尺寸,中牟高端网站建设本文来源公众号“计算机视觉研究院”#xff0c;仅用于学术分享#xff0c;侵权删#xff0c;干货满满。
原文链接#xff1a;EdgeYOLO#xff1a;边缘设备上实时运行的目标检测器及Pytorch实现
代码地址#xff1a;https://github.com/LSH9832/edgeyolo 今天分享的研究…本文来源公众号“计算机视觉研究院”仅用于学术分享侵权删干货满满。
原文链接EdgeYOLO边缘设备上实时运行的目标检测器及Pytorch实现
代码地址https://github.com/LSH9832/edgeyolo 今天分享的研究者提出了一种基于最先进的YOLO框架的高效、低复杂度和无锚的目标检测器该检测器可以在边缘计算平台上实时实现。 01 概述
研究者开发了一种增强的数据增强方法来有效抑制训练过程中的过拟合并设计了一种混合随机损失函数来提高小目标的检测精度。受FCOS的启发提出了一种更轻、更高效的解耦头可以在不损失精度的情况下提高推理速度。提出的基线模型在MS COCO2017数据集中可以达到50.6%的AP50:95和69.8%的AP50准确度在VisDrone2019 DET数据集可以达到26.4%的AP50:95和44.8%的AP50准确度并且它满足边缘计算设备Nvidia Jetson AGX Xavier的实时性要求FPS≥30。
02 介绍
在常见的目标检测数据集如MS COCO2017上使用两阶段策略的模型比使用一阶段策略的要好一点。尽管如此由于两阶段框架的内部限制它远远不能满足传统计算设备的实时性要求并且在大多数高性能计算平台上可能面临同样的情况。相比之下单级目标检测器可以在实时指标和性能之间保持平衡。因此他们更受研究人员的关注YOLO系列算法以高速迭代更新。从YOLOv1到YOLOv3的更新主要是对底层框架结构的改进YOLO的大多数后期主流版本都专注于提高精度和推理速度。
此外他们的优化测试平台主要是具有高性能GPU的大型工作站。然而他们最先进的模型在这些边缘计算设备上通常以令人不满意的低FPS运行。为此一些研究人员提出了参数较少、结构较轻的网络结构如MobileNet和ShuffleNet以取代原有的骨干网络从而在移动设备和边缘设备上实现更好的实时性能但要牺牲一定的精度。在今天分享中研究者的目标是设计一种具有良好精度并可以在边缘设备上实时运行的物体检测器。
如下图所示研究者还为计算能力较低的边缘计算设备设计了更轻、参数更少的模型这些设备也显示出更好的性能。 03 新框架
随机数据扩充不可避免地会导致一些标签无效例如a中第二张图的右下角和第三张图的左下角。虽然有方框但它们不能提供有效的目标信息。标签数量过少会对训练产生明显的负面影响可以通过增加b中的有效方框数量来避免这种影响。 Enhanced-Mosaic Mixup
常用的数据增强策略如下(a)和(b)所示但是(a)和(b)由于数据变换容易包含不含有效目标的图像此外这种情况的概率随着每个原始图像中标签数量的减少而逐渐增加。 作者因此提出的方法(c) 首先对多组图像使用Mosaic方法可以根据数据集中单个图片中标签的平均数量的丰富程度来设置组数 然后通过Mixup方法将最后一个简单处理的图像与Mosaic处理的图像混合最后一幅图像的原始图像边界在变换后的最终输出图像的边界内
Lite-Decoupled Head
解耦头首先在FCOS中提出然后用于其他Anchor-Free目标检测器如YOLOX。在最后几个网络层使用解耦结构可以加速网络收敛并提高回归性能。但是由于解耦头采用了导致额外推理成本的分支结构因此YOLOv6提出了具有更快推理速度的高效解耦头这将中间3×3卷积层的数量减少到仅一层同时保持与输入特征图相同的更大数量的通道。 但是这种额外的推理成本随着通道和输入大小的增加也变得更加明显。因此引入重参化的技术增强学习能力的同时加快推理。
04 实验 representative results in VisDrone2019-DET-val representative results on MS COCO2017-val
THE END!
文章结束感谢阅读。您的点赞收藏评论是我继续更新的动力。大家有推荐的公众号可以评论区留言共同学习一起进步。
