基于轻量化 Yolov5 算法的目标检测系统

来源：计算机技术与发展杂志2022年第11期北京时间：

作者：张利红;';蔡敬菊

单位：1. 中国科学院 光电技术研究所,四川 成都 610209;2. 中国科学院大学,北京 100049

摘要：针对现有的深度目标检测算法结构复杂、计算量过大,难以直接部署到资源有限的边缘设备进行实时检测应用的问题,以 Yolov5 算法为基础,针对 VOC 公开数据集在 GPU 上进行迭代训练, 通过使用 MobileNetv2 替换 Backbone 特征提取层中的 BottleneckCSP 结构、Conv 替换 Focus 模块达到网络轻量化,并结合稀疏训练评价特征提取层中卷积核的重要性后进行减枝的方法进一步实现模型压缩。 从模型适应平台硬件加速角度出发,根据瑞芯微 Rk3399pro 加速芯片 MAC 单元为3 的倍数,提出将网络卷积通道数剪枝后约束为 9 的倍数,并引入了非对称 8 位模型量化、CPU-GPU-NPU 多核协同工作的策略在嵌入式平台上进行 C++算法部署。 实验证明,轻量化的 Yolov5 算法在检测精确度 mAP 下降 6. 74 的情况下,大幅减少了计算参数量,离线模型部署至 Rk3399pro 嵌入式平台上理论检测速度达到 50 fps / s,相较原 Yolov5s 未优化改进的部署至平台上的速度提升近 1. 7 倍;满足降低模型参数权重后仍能实时精确检测的效果。

关键词：目标检测网络;深度可分离卷积;模型量化;减枝;硬件加速;嵌入式部署