SlimYOLOv3：更窄、更快、更好的无人机目标检测算法
点击 我爱计算机视觉 标星，更快获取CVML新技术
无人机因为硬件计算能力较弱，要在其上实现实时的目标检测，需要算法参数量小、占用内存少、推断时间短。常见的算法往往难以直接应用。
一种比较直接的做法是对模型进行剪枝，尽量减少模型卷积层不必要的通道。
今天arXiv新上论文 SlimYOLOv3: Narrower, Faster and Better for Real-Time
UAV Applications，作者对YOLOv3的改进版进行了剪枝，在参数量、占用内存、推断时间大幅减少的情况下，在无人机目标检测数据集上实现了与原算法可比较的检测精度。
作者已将代码开源，包含训练和测试部分，值得从事相关工程开发的朋友参考。
以下是作者信息：
作者全部来自北京理工大学。
下图为作者发明的三种设置下的SlimYOLOv3 相比较基线版本的YOLOv3的结果：
YOLOv3-tiny 是YOLOv3的一种快速算法，但精度下降太多。
YOLO v3 -SPP1 是YOLOv3加上SPP模块的改进，其比原始YOLOv3精度要高。
YOLOv3模型中加入SPP模块的示意图，作者是在原第5和第6卷积层之间加SPP模块
YOLOv3-SPP3 是该文作者 YOLO v3 -SPP1 的改进，其有3个SPP模块，比 YOLO v3 -SPP1 精度更高，是本文模型剪枝的基础模型。
SlimY OLOv3 -SPP3-50/90/95，是 YOLOv3- SPP 3 模型剪枝率分别为50%、90%、95%的三个模型。
可见模型剪枝可大幅改善模型在无人机上的部署，有一定的精度损失，但远比YOLOv3-tiny要好。
剪枝过程
什么是深度模型的剪枝？就像论文名字中的更窄（Narrower），它是要减少模型通道数。
去除 每个卷积层中不重要的 特征通道 。 所以 需要合理地 评估特征通道 的重要性。
下图可以较为明了地说明整个过程。
YOLOv3经过稀疏训练，得到各通道的尺度因子，然后去除那些尺度因子小的通道，将剪枝得到的模型SlimYOLOv3在数据集上进一步微调，得到检测结果，然后进入下一轮的稀疏训练。以上剪枝过程是迭代重复的，直到满足一定的模型条件，比如模型剪枝率达到一定要求。
实验结果
作者通过上述方法，在配置为 Intel(R) Xeon(R) E5-2683 v3 CPU @ 2.00GHz (56 CPUs), 64GB RAM, 4 个 NVIDIA GTX1080ti GPU的 Linux 机器上训练，得到三个剪枝模型，并在无人机目标检测数据集 VisDrone2018-Det上进行了实验，结果如下：
可见在精度稍有下降的情况下，推断时间（Inference time）、参数量（Parameters）、内存占用（Volume）大幅减少，更适合在无人机部署。
下图为各算法结果比较的柱状图，更加直观。
检测结果示例：
作者已将代码开源，各位读者可以非常方便地进行训练和测试。
每个步骤仅需要一行命令！
原始模型训练：
./darknet/darknet detector train VisDrone2019/drone.data cfg/yolov3-spp3.cfg darknet53.conv.74.weights
稀疏训练：
python yolov3/train_drone.py --cfg VisDrone2019/yolov3-spp3.cfg --data-cfg VisDrone2019/drone.data -sr --s 0.0001 --alpha 1.0
通道剪枝：
python yolov3/prune.py --cfg VisDrone2019/yolov3-spp3.cfg --data-cfg VisDrone2019/drone.data --weights yolov3-spp3_sparsity.weights --overall_ratio 0.5 --perlayer_ratio 0.1
模型微调：
./darknet/darknet detector train VisDrone2019/drone.data cfg/prune_0.5.cfg weights/prune_0.5/prune.weights
论文地址：
https://arxiv.org/pdf/1907.11093v1.pdf
代码地址：
https://github.com/PengyiZhang/SlimYOLOv3
感谢论文作者的分 享！
更多阅读：
ThunderNet：国防科大、旷视提出首个在ARM上实时运行的通用目标检测算法
52CV正在组织 高科技产品！抽奖送【车萝卜小蜜】 活动 ，27日23点开奖， 欢迎 参加 ！
目标检测微信群
关注最新的目标检测技术 ，欢迎加入目标检测专业交流群，扫码添加CV君拉你入群，
（ 请务必注明：目标检测 ）
喜欢在QQ交流的童鞋，可以加52CV官方 QQ群 ： 805388940 。
（不会时时在线，如果没能及时通过验证还请见谅）
长按关注 我爱计算机视觉
About The Author
