基于PaddlePaddle的杂草模型量化部署与结构优化研究

针对农业中广泛应用的无人机等终端除草设备的计算资源少、存储资源有限等问题,文章通过对模型分别采取量化部署和更改模型注意力机制模块的方法来得到轻量模型。试验结果表明,移动端模型的推理时间只有服务器端模型的1/10左右,部署在树莓派3B+上的杂草分类推理速度是6fps左右,而且量化后的杂草分类模型规模有40%以上的减少,证明了量化对模型规模减少的有效性。同时基于CBAM注意力机制的MobileNet_CBAM杂草分类模型相比基于SE-Net注意力机制的MobileNetV3_Large模型在准确率上损失了0.3%,但模型参数规模降低了24.7%,整体性能更加均衡。本研究可为杂草模型的小型化落地应用提供理论基础和技术支持。