EdgeYOLO：边缘设备上实时运行的目标检测器及Pytorch实现

主要观点总结

计算机视觉研究院分享了关于基于YOLO框架的高效、低复杂度和无锚的目标检测器的研究。该检测器能在边缘计算平台上实时实现。

关键观点总结

关键观点1: 研究者提出了一种基于最先进的YOLO框架的目标检测器，该检测器可以在边缘计算平台上实时实现。

该检测器具有高效、低复杂度和无锚的特点。

关键观点2: 研究者通过增强数据增强方法和混合随机损失函数来提高目标检测器的性能。

增强的数据增强方法有效抑制了训练过程中的过拟合，而混合随机损失函数则提高了小目标的检测精度。

关键观点3: 研究者在MS COCO2017和VisDrone2019 DET数据集上验证了其提出的基线模型的性能。

该模型在MS COCO2017数据集中达到了50.6%的AP 50:95 和69.8%的AP 50 准确度，在VisDrone2019 DET数据集上达到了26.4%的AP 50:95 和44.8%的AP 50 准确度。

关键观点4: 研究还关注了目标检测数据集和两阶段策略与单阶段策略的比较。

虽然两阶段策略在某些数据集上表现较好，但其无法满足边缘计算设备的实时性要求。相比之下，单级目标检测器在实时指标和性能之间保持了更好的平衡。

关键观点5: 研究者为边缘计算设备设计了更轻、参数更少的模型。

这些模型在边缘计算设备上显示出更好的性能，满足了实时性的要求。

关键观点6: 计算机视觉研究院涉及深度学习领域的多个研究方向，包括人脸检测、人脸识别、多目标检测、目标跟踪、图像分割等。

研究院致力于分享最新的论文算法框架，并注重实践，旨在培养动手编程和动脑思考的习惯。

文章预览

关注并星标 从此不迷路 计算机视觉研究院 公众号ID ｜ ComputerVisionGzq 学习群 ｜ 扫码在主页获取加入方式 代码地址： https://github.com/LSH9832/edgeyolo 计算机视觉研究院专栏 今天分享的研究者提出了一种基于最先进的YOLO框架的高效、低复杂度和无锚的目标检测器，该检测器可以在 边缘计算平台上实时实现 。 01 概述 研究者开发了一种增强的数据增强方法来有效抑制训练过程中的过拟合，并设计了一种混合随机损失函数来提高小目标的检测精度。受FCOS的启发，提出了一种更轻、更高效的解耦头，可以在不损失精度的情况下提高推理速度。提出的基线模型在MS COCO2017数据集中可以达到50.6%的AP 50:95 和69.8%的AP 50 准确度，在VisDrone2019 DET数据集可以达到26.4%的AP 50:95 和44.8%的AP 50 准确度，并且它满足边缘计算设备Nvidia Jetson AGX Xavier的实时性要求（FPS≥30）。 02 ………………………………