摘  要

 

YOLO系列算法作为一种目前主流的物体实时检测算法，有着高速度、高实时性的技术优势，因此受到广大研究者的偏爱，使其在各类目标识别算法的研究中常被广泛使用。然而，YOLO系列算法虽然高效，但是其检测模型较为复杂，对于实时运行有较高的要求，YOLO算法的实现，通常依赖于强大的图形处理器（Graphics Processing Unit，GPU），在训练测试过程中会占用大量的存储空间和计算资源来进行算法实现。因此传统的YOLO系列算法难以在前端嵌入式或移动设备等有限资源的平台上使用。本文研究考虑了嵌入式设备计算资源和内存资源的局限性，对YOLO系列算法进行深入研究，重点研究了结构模型的优化与压缩的算法，并针对深度学习的嵌入式应用，在YOLOv3算法的基础上对算法模型进行了一定的优化。首先，针对搭载设备的性能较低的特点，改进了目标检测的网络结构，使模型的大小和计算的资源需求符合嵌入式设备的性能。实现了模型中参数数量的压缩，之后在自己标注的数据集上进行模型的重训练，最后将算法部署于Intel® Neural Compute Stick 2神经计算棒内，并进行实际环境中的物体检测测试。实验结果表明，基于Tiny-YOLOv3改进的面向嵌入式平台实时目标检测的算法模型更小，计算量更少，速度更快，但是精度较低。该算法是一种能够部署于低性能嵌入式设备的检测算法，但是对于更好完成目标检测任务还需要进一步研究。

 

关键词：YOLOv3，神经计算棒，实时物体检测，模型压缩 

目  录

 

第一章 绪论 1

1.1 引言 1

1.2 目标检测算法的研究现状 1

1.2.1 物体识别算法发展动态 1

1.2.2 实时目标检测算法 2

第二章 YOLOv3目标检测算法 3

2.1 YOLOv3网络介绍 3

2.1.1 Darknet-53结构 3

2.1.2 多尺度检测 4

2.2 Tiny-YOLO-V3算法 4

第三章 改进的目标检测算法 6

3.1 计算棒特性 6

3.2 目标检测网路框架 6

3.3 深度可分卷积分析 7

3.3.1标准卷积 8

3.3.2 深度可分卷积 8

3.3.3 深度可分卷积的计算量分析 8

第四章 实验结果与分析 10

4.1 数据集介绍 10

4.2 测试结果与分析 10

4.2.1 更低的神经网络计算复杂度 10

4.2.2 更小的神经网络模型 10

4.2.2 更快的检测速度 10

4.2.2 较高的检测精度 10

第五章 结论与展望 11

5.1 结论 11

5.2 展望 11

参考文献 12

致  谢 14