轻量化目标检测网络的研究及嵌入式实现.pdfVIP

摘要

目标检测在人工智能领域是一个重要的研究方向，但其使用的检测网络模型相对复杂，

对运行设备的存储空间和计算能力需求高，导致应用场景受到限制。为了将目标检测网络运

行在更方便灵活的移动边缘设备上，满足实际应用需求，如何平衡网络参数体量与硬件设备

限制，实现快速推理和高精度检测，是一个具有重要研究价值和意义的课题。

本文采用MobileNetV2替代YoloV3的DarkNet53特征提取网络，并在此基础网络上进行

卷积模块轻量化改进，最后将网络移植到Atlas200开发者套件上进行实际场景的目标检测效

果验证。具体工作如下：

（1）为有效解决轻量化目标检测网络降低参数量所导致的检测精度损失问题，本文设计

了一种轻量化多目标检测网络MSPF-YoloV3，通过采用多层低分组数、低内存占用的通道混

洗结构，达到与高分组数同样的信息交流的效果；并且以位置信息丰富的浅层特征作为深层

特征的指导进行融合，提高对不同大小目标的检测精度。该网络在PASCALVOC07+12数据

集上的mAP达到86.31%；在COCO2014数据集的20个类中，mAP达到67.71%；网络参数

量为10,945,714，检测速度达到44FPS。实验结果表明，该网络相比于基础网络（参数量为

10,353,068）在仅仅增加少量参数量的前提下有效提高了检测精度和速度。

（2）为进一步降低目标检测网络的参数量及计算量，提高网络实时运行速度，本文对

GhostNet中的GhostModule进行改进，设计了一种自适应选择中间通道的轻量化特征提取模

块。该模块将目标信息损失函数与双曲正切函数结合，根据当前网络层数动态计算，选择出

包含信息最丰富的中间通道，降低GhostModule中通道选择的随机性。将该网络应用于基础

网络中，可有效提高目标检测的推理速度。该网络参数量为3,722,192，相比基础网络降低了

约60%，检测速度达到59FPS，在PASCALVOC07+12数据集上测试mAP达到80.27%；在

COCO2014数据集的20个类中，mAP达到62.64%，检测精度略高于基础网络0.15%。实验

结果表明，该网络能够在大大降低参数量的情况下，保持稳定的检测精度，且具有一定实时

检测的能力，适合在移动设备上运行。

（3）为了使目标检测网络脱离实验室环境，运行在移动边缘设备上，将之前训练完成的

网络权重文件转换为om格式，移植到Atlas200开发者套件上，通过msame工具测试网络推

理性能，并且向网络输入本地视频流、有线摄像头视频流以及无线网络摄像头视频流进行推

理测试，实验结果表明，本文设计实现的目标检测网络可以满足包含多目标、小目标、遮挡

目标等不同场景的视频实时检测要求。

关键词:目标检测，轻量化网络，嵌入式移植，通道混洗，特征融合，通道选择

Abstract

Objectdetectionisanimportantresearchdirectioninthefieldofartificialintelligence,butits

detectionnetworkmodelisrelativelycomplex,whichrequireshighstoragespaceandcomputing

powerofrunningdevices,leadingtolimitedapplicationscenarios.Inordertooperatethetarget

detectionnetworkonmoreconvenientandflexiblemobileedgedevicesandmeettherequirements

ofpracticalapplications,howtobalancethenetworkparametersizeandhardwaredevice

restrictionstoachievefastreasoningandhigh-precisiondetectionisasubjectofimportantresearch