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

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(shè)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(xiàn)比YOLOv3更好的目標(biāo)檢測效果。

那么，這么輕的網(wǎng)絡(luò)，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(yù)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(yù)測概率都超過了90%，即使是接近側(cè)面的人臉，系統(tǒng)也能準(zhǔn)確預(yù)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(biāo)物體也能檢測出來。

當(dāng)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(shù)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(dá)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(biāo)檢測模型。

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

之所以這么小，也是因為這個YOLO-Fastest搭配了號稱當(dāng)前最強(qiáng)的移動端輕量級神經(jīng)網(wǎng)絡(luò)EfficientNet-lite。

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

△ EfficientNet-lite架構(gòu)

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(jīng)足夠適用了。

那么，究竟為什么要在目標(biāo)檢測算法中選擇YOLO呢？

YOLO：快速目標(biāo)檢測

目標(biāo)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(lǐng)域的核心算法，目標(biāo)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(shè)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(jìn)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(jī)會，使得它有機(jī)會在更小的機(jī)器上運行。

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(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查看這個目標(biāo)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