目标检测技术的迅速发展和广泛应用，引起了人们对目标检测器的精度和速度的关注。然而，目前最先进的目标检测工作要么是精度导向使用大模型，但导致高延迟，要么是速度导向使用轻量级模型，但牺牲精度。在这项工作中，作者提出了YOLObile框架，通过压缩编译协同设计在移动设备上实时检测对象。提出了一种适用于任意核大小的块穿孔剪枝方案。为提高移动设备上的计算效率，采用GPU-CPU协同方案，并辅以高级编译器辅助优化。实验结果表明，新提出的剪枝方案在49.0 mAP的情况下，可以实现YOLOv4的14倍压缩率。在YOLObile框架下，使用三星Galaxy S20的GPU实现了17 FPS的推理速度。通过加入新提出的GPU-CPU协同方案，推理速度提高到19.1帧/秒，比原来的YOLOv4加速5倍。

总结

在本次工作中，提出了一个基于压缩编译协同设计的移动设备实时目标检测框架YOLObile。此外，还提出了一种新的剪枝方案——区块剪枝，该方案适用于任意核大小的卷积层和全连接层。为了提高移动设备上DNNs的计算效率，除了新提出的编译器优化之外，提出的YOLObile还提供了一个GPU-CPU协同计算方案。经过实验证明，新提出的YOLObile框架展现出了高准确性、高效率，并同时实现了高硬件并行性！

专栏文章内容及配图由作者撰写发布，仅供工程师学习之用，如有侵权或者其他违规问题，请联系本站处理。 联系我们