本文经AI新媒体量子位（公众号ID：QbitAI）授权转载，转载请联系出处。最轻量级的YOLO算法出炉！这是一个非常小的模型，号称目前最快的YOLO算法——大小只有1.3MB，单核每秒148帧，可以轻松部署在移动设备上。而且，这个YOLO-Fastest算法满足所有平台的需求。不管是PyTorch，还是Tensorflow，亦或是Keras和Caffe，可以说是全平台通用。此外，作者还推出了超轻型YOLO的“扩展版”，同样只需要3.5MB就可以达到比YOLOv3更好的目标检测效果。那么，这样的光网络检测效果如何呢？1.3MB超轻YOLO检测效果下图为快速奔跑的动物。如您所见，该算法预测该动物是鸡的概率为95%。不仅在动物检测上，在人体检测上也是如此。从图中可以看出，正面人物的预测概率超过90%。即便是靠近侧面的人脸，系统也能准确预测出来，只是概率会比较小，接近50%。另外可以看出，YOLO不仅可以检测行人和动物，还可以检测餐桌、瓶子等物体。当然，桌子上还有其他的瓶子，只是没有被发现。而这种检测效果只需要1.3MB的YOLO-Fastest模型。与3.0MB的MobileNet-YOLOv3相比，参数减少了65%，速度提高了45%。如果对硬件要求不是那么高，比较看重精度的话，这里的YOLO-Fastest-XL会比较合适。这个“放大版”YOLO-Fastest算法是一个3.5MB的算法模型，mAP要高很多，达到了68.8%。总体来说，YOLO-Fastest是一种牺牲了一定精度（约5%mAP），速度大幅提升的目标检测模型。结合最强的移动端轻量级神经网络，之所以这么小，也是因为这个YOLO-Fastest搭配的是目前最强的移动端轻量级神经网络EfficientNet-lite。这是一个比MobileNet更轻的神经网络，但是图像分类的效果还不错。△EfficientNet-lite架构但是这样的压缩会牺牲一定的精度。与YOLOv3相比，YOLO-Fastest模型的mAP仅为60.8%。但是对于一些容量有限的硬件来说，申请就足够了。那么，为什么要在目标检测算法中选择YOLO呢？YOLO：FasttargetdetectionYOLO目标检测算法的核心在于模型体积小，计算速度快。与R-CNN系列（FastR-CNN、FasterR-CNN等）的算法相比，YOLO的精度不在舞台上，而是在速度上杠杠的。检测速度可以从先验框（下图中彩色框）的变换频率看出。之所以追求速度，是因为目标检测作为安防和自动驾驶领域的核心算法，讲究实时性。如果安全部门需要几秒钟的时间才能检测到小偷的存在，或者如果自动驾驶汽车感知路障的速度非常慢，那么后果可能是灾难性的。此后诞生的SSD算法有点像是R-CNN和YOLO算法的折衷。但对于一些存储量有限的硬件，还是只有YOLO能“塞进去”。只有230MFLOPS（每秒运行230万次浮点运算）的YOLO-Fastest模型为计算能力不足的硬件提供了在更小机器上运行的机会。作者比较有意思的是，GitHub上名叫dog-qiuqiu的作者之前写过基于MobileNet图像分类算法的YOLOv3（GitHub1.1kstars），同样可以在全平台使用。不仅如此，全平台通用的MobileNet-YOLOv3在体积和精度上都优于MobileNet-SSD。MobileNet-YOLOv3的体积只有8.0MB（比SSD少15.1MB），mAP达到73.26%（比SSD高0.56%）。有兴趣的可以戳下方传送门查看这个目标检测算法。传送门1.3MB超轻量级YOLO：https://github.com/dog-qiuqiu/Yolo-FastestMobileNet-YOLO效果比SSD更好：https://github.com/dog-qiuqiu/MobileNet-Yolo
