Efficient YOLO

阅读范围

这篇论文的 IEEE 公开页面提供摘要和引言，全文 PDF 当前需要访问权限。本页据此整理已确认的信息；训练细节、方法图、消融表和测试集评价规则，仍需取得全文后补充核对。

问题：让检测模型在设备上跑起来

道路目标检测需要同时满足识别效果和推理时延。服务器上表现良好的模型，搬到嵌入式设备后，可能遇到参数量、计算量和运行速度的限制。Efficient YOLO 以 YOLOv3 为基础，研究如何压缩模型，同时保留检测能力。

公开方法：训练与结构压缩相配合

摘要给出三项关键设计：用迭代初始化策略促进初始训练阶段的稀疏性；结合层级剪枝和通道剪枝减少模型负担；利用外部数据支持检测精度。

从一般方法角度理解，层级剪枝改变网络深度，通道剪枝改变中间特征宽度，两者都会改变实际计算结构。至于这篇论文如何选择具体层和通道、如何恢复精度，公开摘要没有提供足够细节，不能由方法名称推定。

已报告的实验结果

IEEE 官方摘要 报告：相对原始版本，模型大小减少 96.93%，计算量减少 84.36%；在 NVIDIA Jetson TX2 上，推理速度达到原版的 2.23 倍，测试集 mAP 为 0.492。

这些数字对应不同评价维度：文件或模型规模、理论计算成本、实际硬件速度、检测效果。不能把计算量的下降比例直接解释成同等幅度的延迟下降；0.492 也需要结合论文的测试集和 mAP 定义阅读，不能直接与其他基准榜单比较。

后续补全全文时，优先核对精度与速度是否使用一致的输入尺寸及推理配置。

在我的研究路径中

这是我学生时期面向部署约束的一项工作。我以 Zixuan Wang 署名，列第一作者。它与后续工业算法的联系，在于把模型效果放到资源和运行条件中评估。这里不把摘要中的实验扩大为其他设备或业务场景的实测结论。

书目信息

正式出版物是 2020 IEEE International Conference on Multimedia & Expo Workshops（ICMEW），页码 1—6。会议议程中的报告题目也可在 ICME 2020 官方 Programme Guide 查到。

English overview

Efficient YOLO targets deployment on embedded hardware by compressing YOLOv3. The public abstract describes sparse initialization, layer-level pruning and channel-wise pruning, with evaluation on Jetson TX2. I am the first author; a full-text analysis is pending access to the paper.