MODIPHY：利用幻象卷积增强的 Faster YOLO 进行物联网的多模式遮挡检测
内容提要
本文综述了多种轻量级YOLO目标检测改进：Ghost-YOLOv7提升速度至27FPS；SlimYOLOv3经剪枝适配无人机；Q-YOLO采用低位量化利于边缘部署；YOLOv8在障碍物检测中表现最佳；YOLO-Drone擅长夜间无人机检测；YOLO-LITE无需GPU达21FPS；TinyissimoYOLO可在毫瓦级微控制器上实时检测。
延伸解读
轻量化YOLO的演进脉络
文章梳理了从2015年YOLO提出到2024年TinyissimoYOLO的轻量化改进历程。早期YOLO-LITE无需GPU即可达21FPS，后续Ghost-YOLOv7通过替换骨干卷积提升速度至27FPS，SlimYOLOv3利用剪枝适配无人机，Q-YOLO采用低位量化降低边缘部署开销。这些工作共同指向在资源受限设备上实现实时检测的目标。
不同场景下的模型选择
文章对比了多种YOLO变体的适用场景：YOLOv8在障碍物检测中表现最佳，精确度80%、召回率68.2%；YOLO-Drone擅长夜间无人机检测；TinyissimoYOLO可在毫瓦级微控制器上运行。读者需注意，模型性能高度依赖任务和数据集，例如YOLO-NAS虽新，但在障碍物检测中并不理想。
轻量化技术的权衡
文章提及的轻量化手段包括Ghost卷积、通道剪枝、低位量化和网络结构精简。这些技术能降低计算复杂度和参数数量，但可能影响检测精度。例如SlimYOLOv3在减少参数和浮点运算的同时保持了与YOLOv3相当的准确率，而Ghost-YOLOv7在提速27FPS的同时多项指标更好。实际部署时需根据硬件和精度要求权衡。
Q&A
Ghost-YOLOv7 在车辆检测中做了哪些改进？
该算法基于 Ghost-YOLOv7，宽度为 0.5，使用 Ghost convolution 替换骨干网络的标准卷积以实现轻量级化、提高检测速度，并引入坐标注意力机制来抑制环境干扰。实验表明，相较于原有算法，检测速度提高 27FPS，能有效降低计算复杂度和参数数量，且在多项指标上表现更好，可用于智能交通系统。
SlimYOLOv3 是如何实现适用于无人机平台的实时目标检测的？
SlimYOLOv3 通过通道剪枝和 L1 正则化实现深度物体探测器的学习，从而获得适用于 UAV 平台的实时目标检测器。与 YOLOv3 相比，它具有更少的可训练参数、更低的浮点运算次数和参数大小、更快的运行速度，并保持相当的检测准确率。
Q-YOLO 采用了什么技术来适应边缘设备？
Q-YOLO 采用低位量化方法来构建高效的单级检测器，有利于在资源受限的边缘设备上部署目标检测模型，从而实现减少计算和内存开销的实时检测。
在帮助视力受损者避开障碍物的任务中，哪个 YOLO 模型表现最佳？
YOLOv8 是最佳模型，在包含 VOC、COCO 和 TT100K 数据集的 Obstacle 数据集上表现出 80% 的精确度和 68.2% 的召回率。尽管 YOLO-NAS 是最新模型，在其他应用中表现更好，但对于障碍物检测任务来说并不理想。
YOLO-Drone 在夜间无人机检测中有什么优势？
YOLO-Drone 是一种新的实时目标检测算法，应用于两种新的无人机平台和特定光源，在 UAVDT 和 VisDrone 两个基准数据集以及夜间采集的自制数据集中表现优于现有的 state-of-the-art 方法，并且在硅基金光 LED 下的性能表现明显优于普通光源，证明了该算法对无人机领域中的目标检测特别是夜间检测任务具有高效的解决方案。
YOLO-LITE 如何在无 GPU 设备上实现实时目标检测？
YOLO-LITE 基于 YOLOV2 算法，可以在无 GPU 设备上运行，经过在 Pascal VOC 和 COCO 数据集的训练，在 7 层、482 亿次浮点运算下达到了大约 21 FPS 的检测速度，比最快的现有模型 SSD MobilenetV1 快 3.8 倍，从而提高了实时目标检测的可访问性。
TinyissimoYOLO 有什么特点？
TinyissimoYOLO 是一种高度灵活、量化、内存高效、超轻量级的目标检测网络，旨在实现毫瓦级嵌入式微控制器上的实时目标检测；通过量化网络架构实现实时目标检测，最多支持 3 个对象检测类，并可用于不同型号的微控制器。
