如需要完整文档点击下方 "点击下载文档" 按钮

YOLOX 是 YOLO 系列最新目标检测算法,不仅实现了超越 YOLOV3、YOLOv4 和 YOLOv5 的检测精度,而且取得了极具竞争力的端到端推理速度。 然而 YOLOX 在嵌入式设备上部署时仍存在模型体积大、浮点数运算量高、实时性不佳等问题,为了解决以上问题,同时避免模型预训练带来的不必要能耗,提出了一种无需预训练的 GP-YOLOX 算法。 该算法首先利用轻量级的 Ghost 模块重构 YOLOX 目标检测网络,初步压缩模型体积,减少运算量;随后对重构后的网络进行无预训练剪枝,选择合适的稀疏比例,在保留精度的前提下,最大化压缩模型体积,减少模型计算量,缩短模型的前向推理时间。首先在 FLIR ADAS 和 KAIST 红外数据集上,对 YOLOX 四种规模的模型进行了实验,最终在保持原有精度的前提下,参数量和浮点数运算量均减小了约 75% ,同时前向推理时间缩短了约 60% ;随后用轻量级网络 MobileNetv3 代替 YOLOX 的骨干网络 DarkNet,与 GP-YOLOX 进行了对比,该方法在同等数量级的参数量和计算量下,明显优于 MobileNetv3。

如需要完整文档点击下方 "点击下载文档" 按钮

《GP-YOLOX:无预训练的轻量级红外目标检测模型》

将 完整文档 下载到本地，方便收藏和查阅

文件号：060238

点击下载文档