本文經(jīng)AI新媒體量子位（公眾號(hào)ID:QbitAI）授權(quán)轉(zhuǎn)載，轉(zhuǎn)載請(qǐng)聯(lián)系出處。

最輕的YOLO算法出來(lái)了！

這是個(gè)模型非常小、號(hào)稱目前最快的YOLO算法——大小只有1.3MB，單核每秒148幀，移動(dòng)設(shè)備上也能輕易部署。

而且，這個(gè)YOLO-Fastest算法滿足所有平臺(tái)的需要。

不論是PyTorch，還是Tensorflow，又或者是Keras和Caffe，可以說(shuō)是全平臺(tái)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(shí)現(xiàn)比YOLOv3更好的目標(biāo)檢測(cè)效果。

那么，這么輕的網(wǎng)絡(luò)，檢測(cè)效果怎么樣？

1.3MB的超輕YOLO

檢測(cè)效果

下圖是一只快速跑動(dòng)的動(dòng)物，可以看見(jiàn)，算法預(yù)測(cè)這只動(dòng)物為雞（chicken）的概率是95%。

不僅在動(dòng)物檢測(cè)上，對(duì)于人的檢測(cè)效果也不錯(cuò)。

從圖中可見(jiàn)，正面人物的預(yù)測(cè)概率都超過(guò)了90%，即使是接近側(cè)面的人臉，系統(tǒng)也能準(zhǔn)確預(yù)測(cè)出來(lái)，只是概率會(huì)偏小，接近50%。

此外也能看見(jiàn)，YOLO不僅能檢測(cè)行人和動(dòng)物，類(lèi)似于餐桌和瓶子這樣的目標(biāo)物體也能檢測(cè)出來(lái)。

當(dāng)然，桌上還有其他的瓶子，不過(guò)沒(méi)有檢測(cè)出來(lái)。

而這樣的檢測(cè)效果，只需要1.3MB大小的YOLO-Fastest模型，相比于3.0MB的MobileNet-YOLOv3，參數(shù)少了65%，速度還要快上45%。

如果硬件要求沒(méi)那么高，相比之下，還是精度更重要的話，這里的YOLO-Fastest-XL會(huì)更加適合。

這個(gè)“加大版”YOLO-Fastest算法是一個(gè)3.5MB的算法模型，mAP要高上不少，達(dá)到了68.8%。

整體來(lái)說(shuō)，YOLO-Fastest是個(gè)犧牲一定精度 （大約5%的mAP）、大幅提升速度的目標(biāo)檢測(cè)模型。

結(jié)合最強(qiáng)移動(dòng)端輕量級(jí)神經(jīng)網(wǎng)絡(luò)食用

之所以這么小，也是因?yàn)檫@個(gè)YOLO-Fastest搭配了號(hào)稱當(dāng)前最強(qiáng)的移動(dòng)端輕量級(jí)神經(jīng)網(wǎng)絡(luò)EfficientNet-lite。

這是個(gè)比MobileNet更輕的神經(jīng)網(wǎng)絡(luò)，但圖像分類(lèi)的效果還不錯(cuò)。

△ EfficientNet-lite架構(gòu)

不過(guò)，這樣的壓縮會(huì)犧牲一定的精度，相比于YOLOv3，YOLO-Fastest模型的mAP只有60.8%。

但對(duì)于一些容量有限的硬件來(lái)說(shuō)，已經(jīng)足夠適用了。

那么，究竟為什么要在目標(biāo)檢測(cè)算法中選擇YOLO呢？

YOLO：快速目標(biāo)檢測(cè)

目標(biāo)檢測(cè)算法YOLO的核心，在于它模型體積小、運(yùn)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(tái)，但它的速度卻是杠杠的。

檢測(cè)速度，從先驗(yàn)框（下圖中五彩斑斕的框架）變換的頻次就能看出來(lái)。

之所以追求速度，是因?yàn)樽鳛榘卜馈⒆詣?dòng)駕駛領(lǐng)域的核心算法，目標(biāo)檢測(cè)講究實(shí)時(shí)。

如果安防要過(guò)幾秒鐘才能檢測(cè)出竊賊的存在、或是自動(dòng)駕駛汽車(chē)對(duì)路障的感知非常緩慢，那么后果可能會(huì)不堪設(shè)想。

此后誕生出來(lái)的SSD算法，有點(diǎn)像R-CNN和YOLO算法的折中。但對(duì)于某些存儲(chǔ)體積有限的硬件來(lái)說(shuō)，依舊只有YOLO才能“裝得進(jìn)去”。

而只有230MFLOPS（每秒運(yùn)行230萬(wàn)次浮點(diǎn)運(yùn)算）的YOLO-Fastest模型，又給算力不足的硬件提供了機(jī)會(huì)，使得它有機(jī)會(huì)在更小的機(jī)器上運(yùn)行。

作者相關(guān)

有意思的是，這位在GitHub上名為dog-qiuqiu的作者，此前還寫(xiě)過(guò)基于MobileNet圖像分類(lèi)算法的YOLOv3（GitHub 1.1k星），同樣可以在全平臺(tái)使用。

不僅如此，這個(gè)全平臺(tái)通用的MobileNet-YOLOv3，體積和精度都要優(yōu)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(dá)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(mén)查看這個(gè)目標(biāo)檢測(cè)算法。

傳送門(mén)

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