基于ARM平台目标检测的轻量化方法

为了解决基于深度学习的目标检测算法庞大的计算量和内存占用,导致在ARM平台的边端设备上部署难度大的问题。本文提出一种基于ARM平台目标检测的轻量化方法,首次将网络中的批标准化层缩放因子和卷积层卷积核参数同时添加约束,稀疏训练后将其作为通道重要性判断的两个准则,将不重要的通道双准则剪枝;针对剪枝效果较差的层结合CBAM注意力设计轻量化结构替换;再对结构替换后的模型重新训练得到最终模型。在单目标检测和多目标检测场景,分别对改进的YOLOv5n和YOLOv5s实验,结果表明该方法在ARM设备上均优于常规轻量化方法。在人物检测场景中,对YOLOv5n优化后的模型大小仅有0.68 MB,在ARM设备上单核CPU部署时检测速度达到45 fps,完全满足实时性要求,大幅度降低边端设备部署难度和硬件成本。