萧箫 发自 凹非寺 本文转载自：量子位（QbitAI）
最轻的YOLO算法出来了！
这是个模型非常小、号称目前最快的YOLO算法——大小只有1.3MB，单核每秒148帧，移动设备上也能轻易部署。
而且，这个YOLO-Fastest算法满足所有平台的需要。
不论是PyTorch，还是Tensorflow，又或者是Keras和Caffe，可以说是全平台通用。
此外，作者还推出了超轻YOLO的“加大版”，同样只需要3.5MB，就能实现比YOLOv3更好的目标检测效果。
那么，这么轻的网络，检测效果怎么样？
1.3MB的超轻YOLO
检测效果
下图是一只快速跑动的动物，可以看见，算法预测这只动物为鸡（chicken）的概率是95%。
不仅在动物检测上，对于人的检测效果也不错。
从图中可见，正面人物的预测概率都超过了90%，即使是接近侧面的人脸，系统也能准确预测出来，只是概率会偏小，接近50%。
此外也能看见，YOLO不仅能检测行人和动物，类似于餐桌和瓶子这样的目标物体也能检测出来。
当然，桌上还有其他的瓶子，不过没有检测出来。
而这样的检测效果，只需要1.3MB大小的YOLO-Fastest模型，相比于3.0MB的MobileNet-YOLOv3，参数少了65%，速度还要快上45%。
如果硬件要求没那么高，相比之下，还是精度更重要的话，这里的YOLO-Fastest-XL会更加适合。
这个“加大版”YOLO-Fastest算法是一个3.5MB的算法模型，mAP要高上不少，达到了68.8%。
整体来说，YOLO-Fastest是个牺牲一定精度 （大约5%的mAP）、大幅提升速度的目标检测模型。
结合最强移动端轻量级神经网络食用
之所以这么小，也是因为这个YOLO-Fastest搭配了号称当前最强的移动端轻量级神经网络EfficientNet-lite。
这是个比MobileNet更轻的神经网络，但图像分类的效果还不错。
△ EfficientNet-lite架构
不过，这样的压缩会牺牲一定的精度，相比于YOLOv3，YOLO-Fastest模型的mAP只有60.8%。
但对于一些容量有限的硬件来说，已经足够适用了。
那么，究竟为什么要在目标检测算法中选择YOLO呢？
YOLO：快速目标检测
目标检测算法YOLO的核心，在于它模型体积小、运算速度快。
与R-CNN系列（Fast R-CNN、Faster R-CNN等）的算法相比，YOLO的精度上不了台，但它的速度却是杠杠的。
检测速度，从先验框（下图中五彩斑斓的框架）变换的频次就能看出来。
之所以追求速度，是因为作为安防、自动驾驶领域的核心算法，目标检测讲究实时。
如果安防要过几秒钟才能检测出窃贼的存在、或是自动驾驶汽车对路障的感知非常缓慢，那么后果可能会不堪设想。
此后诞生出来的SSD算法，有点像R-CNN和YOLO算法的折中。但对于某些存储体积有限的硬件来说，依旧只有YOLO才能“装得进去”。
而只有230MFLOPS（每秒运行230万次浮点运算）的YOLO-Fastest模型，又给算力不足的硬件提供了机会，使得它有机会在更小的机器上运行。
作者相关
有意思的是，这位在GitHub上名为dog-qiuqiu的作者，此前还写过基于MobileNet图像分类算法的YOLOv3（GitHub 1.1k星），同样可以在全平台使用。
不仅如此，这个全平台通用的MobileNet-YOLOv3，体积和精度都要优于MobileNet-SSD。
在体积只有8.0MB（相比于SSD减少了15.1MB）的情况下，MobileNet-YOLOv3的mAP达到了73.26%（相比于SSD上升了0.56%）。
如果感兴趣的话，可以一同戳下方传送门查看这个目标检测算法。
传送门
1.3MB超轻YOLO： https://github.com/dog-qiuqiu/Yolo-Fastest
比SSD效果更好的MobileNet-YOLO： https://github.com/dog-qiuqiu/MobileNet-Yolo
