GP-YOLOX:无预训练的轻量级红外目标检测模型

摘要：

YOLOX是YOLO系列最新目标检测算法,不仅实现了超越YOLOV3、YOLOv4和YOLOv5的检测精度,而且取得了极具竞争力的端到端推理速度.然而YOLOX在嵌入式设备上部署时仍存在模型体积大、浮点数运算量高、实时性不佳等问题,为了解决以上问题,同时避免模型预训练带来的不必要能耗,提出了一种无需预训练的GP-YOLOX算法.该算法首先利用轻量级的Ghost模块重构YOLOX目标检测网络,初步压缩模型体积,减少运算量;随后对重构后的网络进行无预训练剪枝,选择合适的稀疏比例,在保留精度的前提下,最大化压缩模型体积,减少模型计算量,缩短模型的前向推理时间.首先在FLIR ADAS和KAIST红外数据集上,对YOLOX四种规模的模型进行了实验,最终在保持原有精度的前提下,参数量和浮点数运算量均减小了约75％,同时前向推理时间缩短了约60％;随后用轻量级网络MobileNetv3代替YOLOX的骨干网络DarkNet,与GP-YOLOX进行了对比,该方法在同等数量级的参数量和计算量下,明显优于MobileNetv3.

关键词：模型轻量化、YOLOX、Ghost模块、无预训练剪枝、目标检测

所属期刊栏目：32

分类号：TP183(自动化基础理论)

资助基金：国家自然科学基金62076251

在线出版日期：2023-01-07（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：165-172