码上一课系列本文导读

目标检测是计算机视觉领域的基本任务之一，近些年随着深度学习技术的火热发展，目标检测算法也从基于手工特征的传统算法转向了基于深度神经网络的检测技术。另一方面随着手持智能终端的不断普及与物联网的飞速发展，移动平台下的运动目标检测问题已经成为急需解决的关键问题，目前已经涌现出许多好的算法技术，这些算法在开放目标检测数据集上的检测效果和性能都很出色。今天给大家推荐2018年的最新算法YOLO-LITE，实现了将目标检测引入无GPU计算机的目标。

YOLO-LITE：专门为没有GPU计算机优化的实时目标检测算法

论文《YOLO-LITE: A Real-Time Object Detection Algorithm Optimized for Non-GPU Computers》

目前已有的在移动设备上执行的深度学习模型例如 MobileNet、 ShuffleNet 等都严重依赖于在深度上可分离的卷积运算，而缺乏有效的实现。首先看看YOLO-LITE的网络结构，如此简易的模型，比tiny-yolo还轻量化。

YOLO-LITE模型首先在PASCAL VOC数据集上训练，然后在COCO数据集上训练，分别获得33.81%和12.26%的mAP。在原有目标检测算法YOLOV2的基础上，设计YOLO-LITE来创建更小、更快、更有效的模型，增加对各种设备的实时目标检测的可能性，YOLO-LITE在非GPU计算机上运行约21FPS，而在一个只有7层和4.82亿FLOPS的网页上实现后运行约10FPS。这个速度比最快的最先进的模型，SSD Mobilenet快3.8倍。

YOLO-LITE为目标检测领域提供了多种贡献。首先，YOL-LITE表明，shallow networks 对轻量级实时目标检测网络具有巨大潜力。在无GPU计算机上以21 FPS运行对于如小系统非常有前景。其次，YOLO-LITE表明，当涉及较小的浅层网络时，应该"质疑"是否需要使用batch normalization。

训练YOLO-LITE

首先要配置darknet（即YOLO环境），你可以在Linux下配置，也可以在Windows下配置，配置好darknet后，若要找到每个训练模型所对应的精度，请在脚本文件夹下运行命令，然后下载cfg网络模型和weights预训练权重：

python mapScript.py

文章链接：http://export.arxiv.org/abs/1811.05588

代码链接：https://github.com/reu2018DL/yolo-lite

主页链接：https://reu2018dl.github.io/

【码上一课】该专栏于每日不定时更新，更新内容主要为人工智能与深度学习领域的论文开源源代码，欢迎大家关注订阅小编，让知识分享于你我他之间！

MORE | 更多原创文章

了解更多的知识与内容，点击以下链接，观看精彩文章：

「码上十点」CVPR2018论文源代码链接分享

「码上十点」十月份机器学习最火的四篇文章

「码上一课」快而准，经典的轻量级深度神经网络（论文代码）

「码上一课」2018计算机视觉顶会论文及源代码分享