点击左上方蓝字关注我们

一个专注于目标检测与深度学习知识分享的公众号

作者丨 qiuqiuqiu@知乎
链接 | https://zhuanlan.zhihu.com/p/234506503

Yolo-Fastest

Github：https://github.com/dog-qiuqiu/Yolo-Fastest

大家好，我是dog-qiuqiu，这篇文章可能不会涉及太多技术算法上的讲解，可能先和大家探讨下关于这个算法的一些定位和应用场景的问题吧。

Yolo-Fastest：

• 简单、快速、紧凑、易于移植

• 适用于所有平台的实时目标检测算法

• 基于yolo的最快最小已知通用目标检测算法

• 针对ARM移动端优化设计，优化支持NCNN推理框架

• 基于部署在RK3399、Raspberry Pi 4b...等嵌入式设备上的NCNN，实现全实时30fps+

Yolo-Fastest，顾名思义，应该是现在已知开源最快的最轻量的改进版yolo通用目标检测算法（貌似也是现在通用目标检测算法中最快最轻量的），其实初衷就是打破算力的瓶颈，能在更多的低成本的边缘端设备实时运行目标检测算法，例如树莓派3b，4核A53 1.2Ghz，在最新基于NCNN推理框架开启BF16s，320x320图像单次推理时间在60ms～，而在性能更加强劲的树莓派4b，单次推理33ms，达到了30fps的全实时。而相比较下应用最广泛的轻量化目标检测算法MobileNet-SSD要在树莓派3b跑200ms左右，Yolo-Fastest速度整整要快3倍+，而且模型才只有1.3MB，而MobileNet-SSD模型达到23.2MB，Yolo-Fastest整整比它小了20倍，当然这也是有代价的，在Pascal voc上的map，MobileNet-SSD 是72.7，Yolo-Fastest是61.2，带来了接近10个点的精度损失，当然孰轻孰重，大家都有各自的想法。其实大家一般的检测任务本身不会像VOC那样检测20类那么多那么复杂，一般都是几类甚至单类检测，那么这样对于模型本身学习能力要求没那么高，因为本身类别越多样本不平衡的问题越大，越影响模型本身的性能。其实这个问题可以参考我的yoloface-500kb，一个只有400kb大小的人脸检测模型，这个本身就是个轻量化单类目标检测模型。下图是树莓派3b 基于Ncnn的常见模型的Benchmark。

其实，我还有个xl版本啊哈哈哈，精度更高当然模型更大速度当然…更慢啊xl就不多讲了，肯定树莓派3b没法实时，嘻嘻，但是这边有个基于麒麟990的NCNN的速度基准

啥，精度还不够，看来直接祭出我的MobileNetv2-yolov3-lite，VOC 73.2%的mAP，37.4% AP05 COCO，只有8MB，1.8Bflops，比mb-ssd系列的算法动不动10几20几MB的模型大小轻量很多，精度也高一些，但是lite只是证明yolo比mb-ssd系列更有优势，真正有意义实时的是fastest-xl以及fastest，哈哈，在放一张对比图

指标全是参考论文以及github相应的开源项目再来张效果图吧这是fastest

这是xl

对了，其实旷视的thundernet才是大佬，250mbflops的计算量，VOC能达到70%，可惜没开源，但是是个二阶检测算法，估计没yolo好部署。不过话说，如果我用object365把模型在训练一遍迁移到voc是不是又得暴涨几个点

总得而言，这个模型本身没有创新点，但是绝对重实用。管你啥X86，ARM，GPU，NNIE，Android，Linux…通吃，模型本身算子很简单，特别好移植，哈哈

Yolo-Fastest-1.1 多平台基准测试

设备	计算后端	系统	框架	运行
米11	骁龙888	安卓(arm64)	神经网络	5.59ms
伴侣 30	麒麟990	安卓(arm64)	神经网络	6.12ms
魅族16	骁龙845	安卓(arm64)	神经网络	7.72ms
开发板	骁龙835(猴子版)	安卓(arm64)	神经网络	20.52ms
开发板	RK3399	Linux(arm64)	神经网络	35.04ms
树莓派 3B	4xCortex-A53	Linux(arm64)	神经网络	62.31ms
Orangepi 零 Lts	H2+ 4xCortex-A7	Linux(armv7)	神经网络	550ms
英伟达	GTX 1050ti	Ubuntu(x64)	暗网	4.73ms
英特尔	i7-8700	Ubuntu(x64)	神经网络	5.78ms

• 以上是多核测试基准

• 以上速度基准测试是通过big.little CPU中的big core

• 树莓派 3B 启用 bf16s 优化，树莓派 64 位操作系统

• rk3399需要把cpu锁在最高频率，ncnn并开启bf16s优化

Yolo-Fastest-1.1 行人检测

设备	系统	框架	运行
树莓派 3B	Linux(arm64)	神经网络	62ms

• 基于yolo-fastest-1.1的简单实时行人检测模型

• 启用 bf16s 优化，树莓派 64 位操作系统

END

双一流大学研究生团队创建，专注于目标检测与深度学习，希望可以将分享变成一种习惯！

整理不易，点赞鼓励一下吧↓