YOLO的模型壓縮方法最新綜述

18頁綜述，108篇文獻!YOLO使用者和寫(shui)論文者必看!本文是第一篇對YOLOV5的模型壓縮(特別是剪枝和量化)方法進行全面調(diào)研的工作，對方法進行分類并分析將其應(yīng)用于 YOLOV5 的實際結(jié)果。

在過去的幾年里，廣泛的研究致力于增強 YOLO 目標檢測器。自推出以來，YOLO 已經(jīng)推出了 8 個主要V版本，旨在提高其準確性和效率。雖然 YOLO 的明顯優(yōu)點使其在許多領(lǐng)域得到廣泛應(yīng)用，但將其部署在資源有限的設(shè)備上卻帶來了挑戰(zhàn)。為了解決這個問題，人們開發(fā)了各種神經(jīng)網(wǎng)絡(luò)壓縮方法，這些方法主要分為三大類，即網(wǎng)絡(luò)剪枝、量化和知識蒸餾。利用模型壓縮方法的豐碩成果，例如降低內(nèi)存使用量和推理時間，使其有利于(如果沒有必要的話)在硬件受限的邊緣設(shè)備上部署大型神經(jīng)網(wǎng)絡(luò)。 在這篇綜述論文中我們的重點是剪枝和量化，因為它們具有相對的模塊化性。 我們對它們進行分類并分析將這些方法應(yīng)用于YOLOv5 的實際結(jié)果。 通過這樣做，我們確定了在壓縮 YOLOV5 時采用剪枝和量化方面的差距，并為該領(lǐng)域的進一步探索提供了未來方向。 在 YOLO 的幾個版本中，我們特別選擇 YOLOV5。這是第一篇從YOLO5 實現(xiàn)角度調(diào)查剪枝和量化方法的具體綜述論文。我們的研究還可以擴展到 YOLO 的新版本，因為在資源有限的設(shè)備上實現(xiàn)它們會帶來同樣的挑戰(zhàn)，即使在今天仍然存在。本文針對的是那些對 YOLOV5 上的模型壓縮方法的實際部署感興趣的人，以及對探索可用于 YOLO 后續(xù)版本的不同壓縮技術(shù)感興趣的人。

論文：https://arxiv.org/abs/2307.11904

AIGC生成技術(shù)交流：本星球主要分享AIGC最新技術(shù)，包括數(shù)字人實戰(zhàn)技術(shù)、AI作畫技術(shù)、聲音克隆技術(shù)、大語言模型技術(shù)、三維重建技術(shù)等。我們還提供校招信息、面試題等內(nèi)容，幫助各個層次的人實現(xiàn)自己的理想。不論是校招還是社招，還是你想快速融入AIGC創(chuàng)業(yè)潮流，迅速掌握AIGC論文方法的更新迭代，這個星球都適合你?