主干网络篇 | YOLOv5/v7 更换骨干网络之 MobileNetV3 | 基于神经网络搜索的轻量级网络（2）

主干网络篇 | YOLOv5/v7 更换骨干网络之 MobileNetV3 | 基于神经网络搜索的轻量级网络

概述

YOLOv5和YOLOv7是目前主流的轻量级目标检测模型，在速度和精度方面取得了良好的平衡。然而，传统的YOLOv5/v7模型使用FPN和CSPNet等结构作为主干网络，在移动设备和嵌入式系统等资源受限的场景中运行时可能存在效率较低的问题。为了解决这个问题，本文提出了一种使用MobileNetV3作为主干网络的YOLOv5/v7模型，该模型在移动设备和嵌入式系统上具有更高的推理速度和更低的内存消耗。

原理详解

MobileNetV3是一种基于神经网络架构搜索（NAS）的轻量级卷积神经网络架构。它采用了以下设计原则：

• 深度可分离卷积: 采用深度可分离卷积代替传统的卷积操作，可以降低模型的参数数量和计算量。
• Inverted Residual Blocks: 使用Inverted Residual Blocks作为基本单元，可以提高模型的表达能力。
• Squeeze-and-Excitation Blocks: 使用Squeeze-and-Excitation Blocks来关注模型中重要的特征，可以提高模型的精度。

MobileNetV3通过以上设计原则，在保持模型精度的同时，大幅降低了模型的参数数量和计算量，使其更加适合在移动设备和嵌入式系统等资源受限的场景中部署应用。

应用场景解释

YOLOv5/v7模型更换MobileNetV3主干网络后，具有以下应用场景：

• 移动设备目标检测: 在移动设备上部署目标检测模型，例如手机、平板电脑等。