基于深度神经压缩的YOLO优化_陈莉君(2019-09-12-16-46_read_water)1
需积分: 0 132 浏览量
2022-08-04
14:32:18
上传
评论
收藏 534KB PDF 举报
基金项目:陕西省科技厅自然科学基础研究计划（2018JM6047）
基于深度神经压缩的
YOLO
优化
陈莉君，李 卓
（西安邮电大学，计算机学院，陕西，西安 710100）
摘 要：从 AlphaGo 开始，深度学习渐渐的进入业内研究者的视线。深度学习近些年大
热的主要原因是由于近些年设备的计算力的增加，尤其是图形处理器对于浮点数运算的有力支
持。YOLO 在提出一种新的目标检测方法的同时，由于其过多的网络层数，带来对于存储空间巨
大的需求。因此需要对于模型进行压缩，减少对于存储空间的需求。在传统压缩过程中单独使
用剪枝或者量化方法，压缩后的模型依然存在一定的冗余。因此提出了一个结合剪枝和量化的
方法对于模型进行压缩。本文针对在原始 YOLO 模型没有对于模型的测试方法以及对于模型稀疏
度评估的手段，进行优化。在压缩的过程展示中，明确的标明每一层的稀疏度。实验证明 YOLO
模型在 VOC2012 数据集条件下，在保持接近原始模型的精度情况下，压缩了 10 倍。
关键词： 模型压缩；深度学习；目标检测；权重量化
中图分类号：TP 183 文献标志码：A
YOLO optimization based on deep neural
compression
Chen Lijun，Li Zhuo
（School of Computer, Xi’an University of Posts & Telecommunications, Shaanxi ）
Abstract: Beginning with AlphaGo, deep learning has gradually entered the eyes
of industry researchers. The main reason for deep learning in recent years is the increase
in the computing power of devices in recent years, especially the strong support of
graphics processors for floating-point operations. While YOLO proposes a new object
detection method, it has a huge demand for storage space due to its excessive number of
network layers. Therefore, it is necessary to compress the model to reduce the need for
storage space. In the traditional compression process, pruning or quantification methods
are used separately, and the compressed model still has some redundancy. Therefore, a
method combining pruning and quantification is proposed to compress the model. This
paper is optimized for the original YOLO model without the test method for the model
and the means for model sparsity evaluation. In the process of compression process, the
sparsity of each layer is clearly indicated. Experiments show that the YOLO model is
compressed 10 times under the condition of VOC2012 data set while maintaining the
accuracy close to the original model.
Keywords: deep compression; YOLO; pruning; quantification
0 引言
从 AlphaGo 开始，深度学习渐渐的进入业内研究者的视线。深度学习近些年大热的主要
原因是由于近些年设备的计算力的增加，尤其是图形处理器（Graphics Processing Unit，缩写：
GPU）对于浮点数运算的有力支持。YOLO
[1]
的提出了一种在目标识别领域新的方式，将检测
和回归问题集合在一起，大大的增加了对于目标的检测速度。但是，YOLO 的网络层数相较
于传统的网络也增加很多，导致训练和推理的计算量会大大增加。尤其是嵌入式设备和移动
设备，这些设备可能并不能很好的支撑层数增加之后带来的计算量增加。
网络出版时间：2019-06-27 11:51:18
网络出版地址：http://kns.cnki.net/kcms/detail/61.1450.TP.20190627.1115.086.html
lowsapkj
- 粉丝: 48
- 资源: 312
最新资源
- 基于opencv的dnn模块实现Yolo-Fastest的目标检测python源码+模型+说明（高分项目）.zip
- 使用Python调用微信本地ocr服务.zip
- 【精品推荐】人工智能在医疗中的应用.pptx
- 【精品推荐】电子医疗仪器人机接口-(1).ppt
- 【精品推荐】电子医疗仪器人机接口.ppt
- ubuntu镜像ubuntu镜像01
- 基于paddle搭建神经网络实现5种水果识别分类python源码+数据集（高分毕设）.zip
- 【精品推荐】电子商务网店类型介绍.ppt
- 基于paddle搭建神经网络实现水果识别分类python源码+数据集（高分项目）.zip
- 三菱plc编程口通信学习笔记.doc
资源上传下载、课程学习等过程中有任何疑问或建议，欢迎提出宝贵意见哦~我们会及时处理！
点击此处反馈
评论0