轻量化yolo目标检测模型：Micro-YOLO: Exploring Efficient Methods to Compress CNN based Object Detection Model

一、引言

随着深度学习的快速发展，目标检测技术在人脸识别、自动驾驶、机器人视觉和视频监控等领域取得了显著突破。然而，传统的目标检测模型（如Faster R-CNN和YOLO）由于网络结构复杂，参数量和计算量巨大，难以在资源受限的嵌入式移动设备上部署。为了解决这一问题，我们提出了一种轻量级的目标检测模型——Micro-YOLO，它基于YOLOv3-Tiny架构，通过一系列优化方法显著减少了模型参数和计算量，同时保持了良好的检测性能。

二、模型轻量化方法

2.1 替换卷积层

在Micro-YOLO中，我们替换了YOLOv3-Tiny网络中的标准卷积层（Conv），采用了两种轻量级卷积块：深度可分离卷积（DSConv）和带压缩激励模块的倒瓶颈卷积（MBConv）。

2.1.1 深度可分离卷积（DSConv）

深度可分离卷积由两部分组成：深度卷积（Depthwise Convolution）和逐点卷积（Pointwise Convolution）。深度卷积对每个输入通道单独应用卷积操作，而逐点卷积则通过1x1卷积将深度卷积的输出通道进行线性组合。这种结构显著减少了模型的参数量和计算量。

2.1.2 带压缩激励模块的倒瓶颈卷积（MBConv）

MBConv是MobileNetv3中采用的一种卷积结构，它首先通过1x1卷积进行通道扩展，然后应用深度卷积，最后通过1x1卷积进行通道压缩。此外，MBConv还引入了压缩激励模块（SE Block），通过全局平均池化和两个全连接层来重新校准通道特征，增强了模型的表达能力。

2.2 卷积核大小探索

为了进一步减少模型参数而不影响检测精度，我们探索了MBConv层中卷积核大小的最优选择。传统的卷积神经网络设计大多采用3x3卷积核，但最近的网络架构搜索算法表明，不同深度的卷积层偏好不同的卷积核大小。因此，我们在Micro-YOLO中对MBConv层的卷积核大小进行了优化，通过实验找到了最优的卷积核组合。

2.3 渐进式通道剪枝

在确定了Micro-YOLO的网络结构后，我们采用渐进式通道剪枝算法进一步减少模型参数。由于DSConv和MBConv层大多由1x1卷积核组成，因此适合采用粗粒度剪枝。我们的渐进式剪枝算法逐步减少卷积层的输出通道数，每次剪枝后重新训练模型并评估检测精度，直到检测精度下降超过设定的阈值（如0.5%）时停止剪枝。这种方法能够在保持检测精度的同时，最大限度地减少模型参数。

2.3.1 Micro-YOLO模型结构

Micro-YOLO的网络架构如图1所示。它主要由以下几个部分组成：

• 输入层：接收输入图像，并进行预处理（如调整大小、归一化等）。
• 特征提取层：采用DSConv和MBConv层进行特征提取，这些层被交替排列以平衡模型大小和检测精度。
• 检测层：在特征提取层的末端，通过一系列卷积层输出检测结果，包括目标的位置和类别信息。

2.3.2 具体层配置

Micro-YOLO的具体层配置如表1所示。其中，MBConvkxk表示卷积核大小为kxk的带压缩激励模块的倒瓶颈卷积，DSConvkxk表示卷积核大小为kxk的深度可分离卷积。

与原始的YOLOv3-Tiny相比，Micro-YOLO通过采用轻量级卷积块和渐进式通道剪枝算法，显著减少了模型参数和计算量。具体来说，Micro-YOLO的模型参数减少了3.46倍，乘加运算量（MAC）减少了2.55倍，同时在COCO数据集上的平均精度（mAP）仅下降了0.7%。

三、实验结果

我们在实验中评估了Micro-YOLO的性能，并与其他轻量级目标检测模型进行了比较。实验结果表明，Micro-YOLO在保持较高检测精度的同时，具有更低的模型大小和计算量。具体来说，Micro-YOLO的模型大小仅为2.56M参数，计算量为1.10GMAC，在COCO数据集上的mAP为32.4%，帧率（FPS）达到328。经过渐进式通道剪枝后，Micro-YOLO的模型大小进一步减少到1.92M参数，计算量减少到0.87GMAC，mAP略有下降至29.3%，但帧率提升至357。

四、小结

本文提出了一种轻量级的目标检测模型——Micro-YOLO，它基于YOLOv3-Tiny架构，通过替换卷积层、探索卷积核大小和采用渐进式通道剪枝算法等方法，显著减少了模型参数和计算量，同时保持了良好的检测性能。实验结果表明，Micro-YOLO在多个评价指标上均优于其他轻量级目标检测模型，具有广泛的应用前景。