本文探讨了在目标检测任务中，YOLOV8的高效C2F结构与YOLOV5的结合，旨在降低模型复杂度的同时保持准确性。引入GSConv减轻模型复杂度，Slim-Neck设计提高计算成本效益。实验表明，这种方法在车载边缘计算平台上实现了先进性能，例如在Tesla T4上，SODA10M的检测速度达到~100FPS，mAP0.5为70.9%。此外，讨论了轻量级设计的重要性，以减少计算成本，C2F结构在YOLOV8中的应用有助于性能提升。
YOLOV8!!!!!YOLOV8!!!!!YOLOV8!!!!!YOLOV8!!!!!YOLOV8!!!!!YOLOV8!!!!!YOLOV8!!!!!YOLOV8!!!!
太卷了！！！！！ 太卷了！！！！！真的快要卷秃噜皮了！！！！学习的速度跟不上别人更新的速度。。。。太难了！！！！！！
目标检测是计算机视觉中一项艰巨的下游任务。对于车载边缘计算平台，大模型很难达到实时检测的要求。而且，由大量深度可分离卷积层构建的轻量级模型无法达到足够的准确性。因此本文引入了一种新方法 GSConv 来减轻模型的复杂度并保持准确性。 GSConv 可以更好地平衡模型的准确性和速度。并且，提供了一种设计范式， Slim-Neck ，以实现检测器更高的计算成本效益。在实验中，与原始网络相比，本文方法获得了最先进的结果（例如， SODA10M 在 Tesla T4 上以 ~100FPS 的速度获得了 70.9% mAP0.5）。
目标检测是无人驾驶汽车所需的基本感知能力。目前，基于深度学习的目标检测算法在该领域占据主导地位。这些算法在检测阶段有两种类型：单阶阶段和两阶段。两阶段检测器在检测小物体方面表现更好，通过稀
订阅专栏 解锁全文
扫一扫
1925
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
